> 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/hu/termektura-webalkalmazas/equation-based-analytics/catalog-of-custom-functions.md).

# Egyedi függvények katalógusa

Ezek a függvények összetett Python-kódot rejtenek, így bonyolult adatmanipulációkat és számításokat is könnyedén megvalósíthatsz.

A GeoPard egyéni függvények széles választékát kínálja, amelyek javítják a képletalapú elemzések olvashatóságát és funkcionalitását. Ezek a függvények összetett `python` kódot foglalnak magukba, így könnyedén végezhet összetett adatfeldolgozási műveleteket és számításokat.

### Képlet megadása

<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>Adjon meg egy képletet</p></figcaption></figure>

A GeoPardban áttekinthetőbb és könnyebben karbantartható képletek létrehozásához rendelkezésre álló előre elkészített függvények listáját a `geopard` csomag tartalmazza:

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

```python
# Az input_data egy adatkészlet attribútumrétege (pl. hozam, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)
```

Ez a függvény a K-Neighbors algoritmus segítségével pótolja az adatkészletben a hiányzó vagy nulla értékeket. Az `input_data` változó (a kiválasztott attribútumot tartalmazó adatkészlet), valamint a szomszédok `k` számának megadásával egyszerűen pótolhatja a hiányzó értékeket, biztosítva az adatok folytonosságát és épségét.

A függvény akkor működik jól, ha az adathiányok a táblán elszórtan jelentkeznek, és nem a táblahatár valamelyik részére koncentrálódnak.

### determine\_data\_similarity

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

Ezzel a függvénnyel két adatkészlet pixelről pixelre számított hasonlóságát határozhatja meg. A `data_layer_1` és a `data_layer_2` változóknak **ugyanazt a mérést** kell tartalmazniuk, **azonos mértékegységben** , hogy az összehasonlítás értelmezhető legyen. Az `data_layer_1` és a `data_layer_2` adatkészletekhez tartozó változók megadásával egy 0 és 1 közötti értékeket tartalmazó hasonlósági térképet hozhat létre, amely megkönnyíti az összehasonlító vizsgálatokat és a mintázatok felismerését.

### 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 adatkészlet pixelről pixelre számított hasonlóságát határozhatja meg. A normalizálás akkor ajánlott, ha az eredeti `data_layer_1` és `data_layer_2` skálája vagy mértékegysége eltér. Az adatkészleteket bemenetként megadva a függvény egy 0 és 1 közötti értékeket tartalmazó hasonlósági térképet hoz létre, amely összehasonlító vizsgálatokhoz, mintázatok felismeréséhez és térbeli konzisztencia elemzéséhez használható.

### determine\_low\_high\_similarity

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

Ez a függvény két adatkészlet alacsony és magas értékeinek hasonlóságát értékeli. Az adatkészletekhez tartozó `data_layer_1` és `data_layer_2` változók megadásával egy kategorizált hasonlósági térképet kap, amely az alacsony–alacsony, alacsony–magas, magas–alacsony és magas–magas kombinációkat jelöli. Ez az adatok árnyaltabb osztályozásához hasznos.

### get\_value\_for\_zone

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

Ezzel a függvénnyel egy adatkészlet attribútumának összes értékét kinyerheti egy adott zónán belül. Adja meg a `data_layer` változót (az attribútumréteget), `zones_layer` (a zónatérkép), valamint `zone_id` (a zóna száma) segítségével elkülönítheti az adott zónán belüli értékeket az elemzéshez, például a terméshozamot, a kijuttatási mennyiséget vagy a vetőmagnormát.

### drop\_value

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

Ezzel a függvénnyel eltávolíthat bizonyos értékeket az adathalmaz egy attribútumából. A `data_layer` és a `value_to_drop`megadásával megtisztíthatja az adathalmazt: a függvény eltávolítja ezeket az értékeket az eredményből, technikailag `NaN`.

### normalize\_data

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

Ezzel a függvénnyel normalizálhatja az adathalmaz egy attribútumát. A `data_layer`átadásával az adatokat szabványos, 0 és 1 közötti tartományra skálázhatja, így könnyebbé válik a különböző adathalmazok összehasonlítása és integrálása.

### 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)
```

Ezzel a függvénnyel kiszámíthatja a teljes kijuttatott műtrágyamennyiséget területegységre vetítve (például kg/ha, l/ha, gal/ac stb.). Adja meg a `application_list` AppliedRate attribútummal rendelkező adathalmazokat és a hozzájuk tartozó `active_ingredient_coefficient_list` értékeket a műtrágyatermékekhez, így megkapja a ténylegesen kijuttatott műtrágya teljes mennyiségét (például kg-ban, l-ben, gal-ban stb.).

### 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)
```

Ezzel a függvénnyel kg/ha-ban számíthatja ki a teljes kijuttatott nitrogénmennyiséget. Adja meg a `application_list` AppliedRate attribútummal rendelkező adathalmazokat és a hozzájuk tartozó `active_ingredient_coefficient_list` értékeket a nitrogéntartalmú termékekhez, hogy a tényleges nitrogénmennyiséget kg/ha-ra számítsa át. Így pontosan meghatározhatja a teljes kijuttatott nitrogénmennyiséget, ami alapvető fontosságú a mezőgazdasági tervezéshez és a fenntarthatósági értékelésekhez. A függvény kimenetét a `N_total_applied` néven használja a[`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 kg/ha-ban határozhatja meg a nitrogénfelvételt. Adja meg a következőket: `yield_wet_tha`, `moisture_pct`, `protein_pct` a terméshozamadathalmazból, valamint a `protein_crop_correction_coefficient` a nitrogénfelvételt segítő kapcsoló fehérjét reprezentálva felmérheti a növénytermesztés nitrogénhasznosítási hatékonyságát. A kimenet értéke a következőként használható: `N_uptake` a[`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 százalékban értékelheti a nitrogénhasznosítási hatékonyságot. A [`N_total_applied`](#calculate_total_applied_nitrogen) és [`N_uptake`](#calculate_nitrogen_uptake) változók (a korábbi függvényekből) megadásával mérheti a nitrogén kijuttatásának hatékonyságát, ami segít a műtrágya-felhasználás optimalizálásában.

### 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)
```

Ezzel a függvénnyel a kijuttatási mennyiségek és az árak alapján kiszámíthatja a teljes költséget. Egy `application_rate_list` listát adva meg az AppliedRate attribútummal rendelkező adatkészletekről, valamint a hozzájuk tartozó `price_per_unit_list`listát, összesítheti a különféle mezőgazdasági tevékenységek költségeit, ami támogatja a költségvetés kezelését és a pénzügyi tervezést. A kimenet értéke a következőként használható: `costs` a[`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 terméshozam-adatkészletből származó bevételt. A `yield_as_mass` változó megadásával, amely a Yield Dataset attribútumához tartozik, valamint a `yield_price_per_unit`megadásával megbecsülheti a növénytermesztésből származó bevételt, ami megkönnyíti a gazdasági értékelést. A kimenet értéke a következőként használható: `costs` a[`geopard.calculate_profit`](#calculate_profit) .

### calculate\_profit

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

Ezzel a függvénnyel a bevételből a költségek levonásával határozhatja meg a nyereséget. A [`revenue`](#calculate_revenue) és [`costs`](#calculate_costs) változók (a korábbi függvényekből) megadásával egyszerűen kiszámíthatja mezőgazdasági tevékenységei pénzügyi eredményét, ami támogatja a jövedelmezőség elemzését és a stratégiai döntéshozatalt.

### fill\_value\_for\_range

```python
# csak a 10 és 20 közötti értékek megtartása, a többi cseréje 0-ra
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
```

Ez a függvény egy megadott tartományba eső értékekre szűri a `input` tömböt. A tömb megadásával, valamint az opcionális `input` paraméterekkel: `min_value` és az opcionális `max_value` küszöbértékekkel elkülönítheti a kívánt tartományba eső értékeket. A `value_to_fill` paraméter lehetővé teszi a tartományon kívüli értékek megadott értékkel való helyettesítését, így javítva az adatok szűrését és normalizálását.

### calculate\_per\_pixel\_mae

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

Ezzel a függvénnyel kiszámíthatja két adathalmaz pixelenkénti átlagos abszolút hibáját (MAE). Az eredmény az abszolút eltérések térképe. Az „abszolút eltérés” egyszerűen a megfelelő pixelértékek közötti különbség nagysága, függetlenül attól, hogy az egyik érték nagyobb vagy kisebb-e a másiknál.

A függvény segít azonosítani azokat a területeket, ahol nagyobbak az eltérések.

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

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

Ez a függvény kiszámítja két adathalmaz pixelenkénti relatív eltérését, vagyis a különbséget az `dataset_1`értékének százalékában adja meg. Lényegében azt mutatja meg, hogy egy pixel értéke mennyivel tér el a megfelelő `dataset_1` értéktől arányosan kifejezve.

Ez a módszer különösen hasznos a talajtulajdonságok, a terméshozam vagy a távérzékelési adatok változatosságának elemzésekor, mert gyorsan felismerhetők vele azok a területek, ahol jelentős aránybeli eltérések vannak.

### calculate\_difference

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

Ez a függvény kivonja az egyik adathalmazt a másikból, és különbségtérképet készít. Kiemeli azokat a területeket, ahol az egyik adathalmaz értékei magasabbak vagy alacsonyabbak a másikénál, így könnyebben felismerhetők az időbeli trendek és változások.

Ez az eszköz különösen hasznos a talajtulajdonságok, a terméshozam vagy a távérzékelési adatok változatosságának megjelenítésére, és segít gyorsan azonosítani azokat a területeket, amelyek további elemzést vagy beavatkozást igényelhetnek.

### calculate\_relative\_difference

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

Ez a függvény úgy számítja ki a pixelenkénti relatív különbséget, hogy az adathalmazok közötti eltérést a `dataset_2`értékeivel normalizálja. Így megmutatja, hogy a változás mekkora a `dataset_2`.

arányában. Ez az arányalapú összehasonlítás különösen hasznos eltérő léptékű adathalmazok esetén, mert feltárja a talajtulajdonságokban, a terméshozamban vagy az érzékelők által mért értékekben bekövetkező relatív változásokat. A módszer segít azonosítani azokat a területeket, ahol számottevő eltérés tapasztalható.

### calculate\_normalized\_difference

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

Ez a függvény úgy számítja ki a pixelenkénti normalizált különbséget, hogy mindkét adathalmaz értékeit a globális maximumukhoz viszonyítva skálázza. Így az adathalmazok közvetlenül összehasonlíthatóvá válnak akkor is, ha eredetileg eltérő értéktartományúak.

Az eredményül kapott térkép jól szemlélteti a talajtulajdonságok, a terméshozam és a távérzékelési adatok változatosságát, így gyorsan felismerheti és értékelheti a fontos különbségeket.

### build\_zones\_by\_intervals

```python
# zónaképzési intervallumok
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Ez a függvény kezelési zónatérképet készít úgy, hogy a folytonos raszterréteget a felhasználó által megadott értékintervallumok alapján különálló zónákba sorolja.

Minden intervallum egy zónát határoz meg, és minden pixel ahhoz a zónához kerül, amelynek értéktartományába esik. Az egyik intervallumba sem illeszkedő pixelek értéke -1 lesz.

Ezt a zónaképzési módszert gyakran használják arra, hogy a terméshozamtérképeket, a talajtulajdonságokat vagy a távérzékelési indexeket változó dózisú kijuttatáshoz használható kezelési zónákká alakítsák.

**Gyakori felhasználási területek**

* Kezelési zónák kialakítása terméshozam-, NDVI- vagy talajrétegekből
* Zónatérképek előkészítése a tápanyag-kijuttatási vagy vetési dózis kiszámításához
* A táblák homogén zónákra osztása a döntéshozatal támogatására

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

```python
# target_nutrient lehetőségei
target_nutrient_option1 = 50 # állandó érték
# VAGY
target_nutrient_option2 = {1: 20, 2: 40} # zónánkénti szótár
# VAGY
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # folytonos raszterréteg

# applied_nutrient_operations lehetőségei
applied_operations = [
    5,                                      # operation1 konstans számként
    {1: 2, 2: 4},                           # operation2 zónánkénti szótárként
    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 kiszámítja a szükséges tápanyag-kijuttatási mennyiséget (hatóanyagban kifejezve) minden egyes gazdálkodási zónára.

A számítás alapja:

* a célként meghatározott tápanyagszint,
* a talaj növények számára felvehető tápanyagkészlete,
* a korábbi műveletek során már kijuttatott tápanyagok (trágya, műtrágya, fermentlé stb.).

A korábbi tápanyag-kijuttatási műveletek adhatók meg állandó értékként, zónánkénti értékként, raszterrétegként vagy ezek tetszőleges kombinációjaként. A rendszer automatikusan feldolgozza az összes bemenetet, és zónánként összesíti az értékeket.

Alapértelmezés szerint a szükséges mennyiség a célként meghatározott tápanyagszint, valamint a talaj tápanyagkészletének és a már kijuttatott tápanyagoknak az összege közötti különbség. Az eredmény rasztertérképként jelenik meg, amelyen minden zónához egységes tápanyag-kijuttatási mennyiség tartozik.

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

```python
# átszámítási együttható a hatóanyag és a termék között, mindkét irányban
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 raszterréteg értékeit váltja át **hatóanyagban kifejezett mennyiségek és termékmennyiségek között** egy korrekciós együttható segítségével.

A `corrected_coefficient` lehet egyetlen **float** (amely minden pixelre érvényes), vagy egy együtthatókat tartalmazó **mátrix** (pixelenkénti átváltáshoz). Általában a kiszámított tápanyagigény (hatóanyagban kifejezve) tényleges termékmennyiséggé alakítására, illetve az átváltás megfordítására használják a műtrágya összetétele vagy tápanyag-koncentrációja alapján.

Az átváltás pixelenként történik, megőrizve az eredeti réteg térbeli szerkezetét.

**Gyakori felhasználási területek**

* Tápanyag-kijuttatási mennyiségek átváltása műtrágya-termékmennyiségekre
* Kijuttatási térképek módosítása a tápanyag-koncentráció alapján
* Végleges kijuttatási térképek előkészítése a munkagépekhez

### map\_value\_by\_zone

```python
# egy érték hozzárendelése az összes zónához
planned_yield = geopard.map_value_by_zone(
    zone_map,
    3.0
)

# VAGY: különböző értékek hozzárendelése zónánként
planned_yield = geopard.map_value_by_zone(
    zone_map,
    {1: 2.91, 2: 3.0, 3: 3.06}
)

# VAGY: meglévő raszter összesítése zónánként
p_zone_median = geopard.map_value_by_zone(
    zone_map,
    p2o5,
    aggregation_logic="median"
)
```

Ez a függvény skalárértékeket, zónaspecifikus szótárakat vagy raszterrétegeket alakít zónákra bontott raszterré.

Minden érvényes pixel a hozzá tartozó zónához rendelt értéket kapja. Raszteres bemenet esetén az értékeket az egyes zónákon belül a következők szerint összesíti: `mean`, `median`, `min`, vagy `max`, így gyakorlatilag megszünteti a zónán belüli változatosságot.

A hiányzó szótárértékek és a nodata pixelek a megadott `default` értéket kapják (alapértelmezés szerint NaN).

**Gyakori felhasználási területek**

* Zónaspecifikus értékekből pixel szintű tervezett terméscélok létrehozása
* A zónaspecifikus műtrágya-ajánlások kijuttatási raszterekké alakítása
* A talaj tápanyag-ellátottságának változatosságát kiegyenlíti a gazdálkodási zónákon belül
* Zónaszintű paraméterek előkészítése pixelalapú NumPy-számításokhoz

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

```python
# kereskedelmi műtrágya dózisának kiszámítása
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
)
```

Ez a függvény pixelről pixelre kiszámítja a műtrágya-kijuttatási dózist a növény tápanyagfelvételének és a talaj tápanyag-ellátásának egyenlege alapján.

A számítás figyelembe veszi a tervezett terméshozamot, a növény tápanyagfelvételét, a talajban rendelkezésre álló tápanyagokat, a talaj- és műtrágya-hasznosulási együtthatókat, valamint a korrekciós tényezőket. A hatóanyag-szükséglet igény szerint kereskedelmi műtrágyatermék kijuttatási dózisává alakítható a `product_nutrient_share`.

A tervezett terméshozam skalárként, szótárként vagy raszterként is megadható. A talaj tápanyagértékei pixelről pixelre vagy zónánként összesítve használhatók. A végső dózisok alsó és felső kijuttatási határral korlátozhatók, valamint egész számra kerekíthetők.

**Gyakori felhasználási területek**

* Változó dózisú P₂O₅- és K₂O-műtrágya-kijuttatási terv készítése
* A tápanyag-utánpótlás kiszámítása a tervezett terméshozam alapján
* A talaj tápanyag-ellátásának és a műtrágya-hasznosulásnak a figyelembevétele
* A hatóanyag-szükséglet átalakítása kereskedelmi termék kijuttatási dózisává
* Géppel végzett kijuttatásra kész műtrágya-kijuttatási térképek készítése

### 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 a homok-, iszap- és agyagtartalom százalékos aránya alapján minden pixelre megbecsüli a talaj USDA szerinti textúraosztályát.

Adjon meg három raszterréteget százalékban (0–100), amelyek a szemcseméret-frakciókat jelölik. A kimenet <mark style="background-color:green;">olyan USDA-osztálynevek egyike, mint például</mark> *<mark style="background-color:green;">sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay, or undefined</mark>* <mark style="background-color:green;">érvénytelen bemenet esetén.</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
)
```

Ez a függvény a homok-, iszap- és agyagtartalom százalékos aránya alapján minden pixelre megbecsüli a talaj FAO/WRB (ISO 11277) szerinti textúraosztályát.

Adjon meg három raszterréteget százalékban (0–100), amelyek a szemcseméret-frakciókat jelölik. A kimenet <mark style="background-color:green;">olyan FAO/WRB-osztálykódok egyike, mint például</mark> *<mark style="background-color:green;">S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, or undefined</mark>* <mark style="background-color:green;">érvénytelen bemenet esetén</mark>.

### calculate\_soil\_bulk\_density

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

Ez a függvény kiszámítja a <mark style="background-color:green;">talaj térfogattömegét (g/cm³) a textúraosztály és – opcionálisan – a talaj szervesanyag-tartalma (SOM) alapján</mark>.

A(z) `texture_class_layer` a következő függvények által előállított osztályneveket vagy kódokat kell tartalmaznia: [USDA-talajtextúra-függvény](#estimate_texture_class_based_on_usda) vagy a [FAO/WRB-talajtextúra-függvény](#estimate_texture_class_based_on_fao_wrb) a fentiek közül.

Ha a `som_pct_layer` százalékos értékként van megadva, a függvény a szervesanyag-tartalom (SOM) alapján módosítja a térfogattömeget. Ellenkező esetben a USDA- vagy FAO/WRB-keresőtábla alapján, a textúraosztályokhoz tartozó g/cm³ mértékegységű talaj-térfogattömegértékeket adja vissza.


---

# 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/hu/termektura-webalkalmazas/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.
