कस्टम फ़ंक्शनों की सूची
ये फ़ंक्शन जटिल Python कोड को समेटते हैं, जिससे आप आसान तरीके से उन्नत डेटा बदलाव और गणनाएँ लागू कर सकते हैं।
GeoPard कस्टम फ़ंक्शनों की एक व्यापक सूची प्रदान करता है, जो equation-based analytics की पढ़ने-समझने की क्षमता और उपयोगिता को बेहतर बनाने के लिए बनाई गई है। ये फ़ंक्शन जटिल python कोड को समेट लेते हैं, जिससे आप उन्नत डेटा हेरफेर और गणनाएँ आसानी से लागू कर सकते हैं।
Equation दर्ज करें
GeoPard में अधिक सहज और आसानी से संभाली जा सकने वाली equations बनाने के लिए उपलब्ध pre-built functions की सूची geopard package में शामिल है:
fill_gaps_with_k_neighbors
यह फ़ंक्शन K-Neighbors algorithm का उपयोग करके dataset में मौजूद data gaps या zeros को बहाल करता है। input_data variable (चयनित attribute वाले Dataset के रूप में) और पड़ोसी बिंदुओं की संख्या kदेकर, आप missing values को आसानी से भर सकते हैं, जिससे डेटा की निरंतरता और शुद्धता बनी रहती है।
यह फ़ंक्शन तब अच्छा काम करता है जब data gaps खेत में बिखरे हुए हों और field boundary के किसी खास हिस्से में केंद्रित न हों।
determine_data_similarity
इस फ़ंक्शन का उपयोग दो Datasets के बीच per-pixel similarity निकालने के लिए करें। Variables data_layer_1 और data_layer_2 को same measurement को same units में दर्शाना चाहिए, ताकि तुलना अर्थपूर्ण रहे। Datasets से जुड़े variables देने पर data_layer_1 और data_layer_2 आप 0 से 1 तक के मानों वाला similarity map बना सकते हैं, जो comparative studies और pattern recognition में मदद करता है।
determine_data_similarity_from_normalized
इस फ़ंक्शन का उपयोग दो normalized datasets के बीच per-pixel similarity निकालने के लिए करें। Normalization तब recommended है जब मूल data_layer_1 और data_layer_2 की scales या units अलग-अलग हों। इन datasets को input के रूप में देने पर, यह फ़ंक्शन 0 से 1 तक के मानों वाला similarity map बनाता है, जो comparative studies, pattern recognition और spatial consistency analysis के लिए उपयुक्त है।
determine_low_high_similarity
यह फ़ंक्शन दो Datasets के बीच low-high similarity का आकलन करता है। Variables data_layer_1 और data_layer_2 जो Datasets से जुड़े हों, देने पर आपको एक categorized similarity map मिलता है, जिसमें low-low, low-high, high-low और high-high जैसे संयोजन दिखते हैं, जो बारीक डेटा वर्गीकरण के लिए उपयोगी है।
get_value_for_zone
इस फ़ंक्शन का उपयोग किसी एक zone के भीतर Dataset attribute के सभी values निकालने के लिए करें। data_layer (attribute layer), zones_layer (zones map), और zone_id (zone number) दें, ताकि उस zone के अंदर yield, application rate, या seed rate जैसे values analysis के लिए अलग किए जा सकें।
drop_value
यह फ़ंक्शन dataset attribute से specific values हटाने की सुविधा देता है। data_layer और value_to_dropनिर्दिष्ट करके, आप उन values को result से हटाकर dataset को साफ कर सकते हैं; तकनीकी रूप से उन्हें NaN.
normalize_data
इस फ़ंक्शन से dataset attribute को normalize करें। data_layerदेने पर, आप डेटा को 0 से 1 की standardized range में scale कर सकते हैं, जिससे अलग-अलग datasets के बीच तुलना और integration आसान हो जाता है।
calculate_total_applied_fertilizer
इस फ़ंक्शन से प्रति क्षेत्रफल इकाई में Total Applied Fertilizer की गणना करें (उदाहरण के लिए, kg/ha, l/ha, gal/ac आदि में)। application_list को AppliedRate attributes वाले Datasets और संबंधित active_ingredient_coefficient_list को fertilizer products के साथ देने पर, आप वास्तव में डाली गई कुल खाद को units (जैसे kg, l, gal आदि) में प्राप्त कर सकते हैं।
calculate_total_applied_nitrogen
इस फ़ंक्शन से kg/ha में Total Applied Nitrogen की गणना करें। application_list को AppliedRate attributes वाले Datasets और संबंधित active_ingredient_coefficient_list को nitrogen products के साथ देकर actual nitrogen को kg/ha में बदला जाता है, जिससे आप Total Applied Nitrogen की सही गणना कर सकते हैं। यह कृषि योजना और sustainability assessment के लिए जरूरी है। Output का उपयोग N_total_applied के रूप मेंgeopard.calculate_nitrogen_use_efficiency.
calculate_nitrogen_uptake
इस फ़ंक्शन से kg/ha में Nitrogen Uptake निर्धारित करें। yield_wet_tha, moisture_pct, protein_pct को Yield Dataset से और protein_crop_correction_coefficient को protein और nitrogen uptake के बीच संबंध दर्शाने के लिए देने पर, आप फसल उत्पादन में Nitrogen Use Efficiency का आकलन कर सकते हैं। Output का उपयोग N_uptake के रूप मेंgeopard.calculate_nitrogen_use_efficiency .
calculate_nitrogen_use_efficiency
इस फ़ंक्शन से प्रतिशत के रूप में Nitrogen Use Efficiency का मूल्यांकन करें। N_total_applied और N_uptake variables (पिछले functions से) देने पर, आप nitrogen application की प्रभावशीलता माप सकते हैं, जिससे fertilizer use को बेहतर बनाया जा सके।
calculate_costs
इस फ़ंक्शन से application rates और prices के आधार पर Total Costs निकालें। एक application_rate_list जिसमें AppliedRate attributes वाले Datasets हों और एक संबंधित price_per_unit_listदेने पर, आप विभिन्न कृषि कार्यों से जुड़े खर्चों को जोड़ सकते हैं, जिससे बजट प्रबंधन और वित्तीय योजना में मदद मिलती है। Output का उपयोग costs के रूप मेंgeopard.calculate_profit.
calculate_revenue
इस फ़ंक्शन से Yield Dataset से Revenue की गणना करें। yield_as_mass जो Yield Dataset attribute से जुड़ा हो और yield_price_per_unitदेने पर, आप फसल उत्पादन से होने वाली आय का अनुमान लगा सकते हैं, जिससे आर्थिक मूल्यांकन आसान होता है। Output का उपयोग costs के रूप मेंgeopard.calculate_profit .
calculate_profit
इस फ़ंक्शन से Revenue में से Costs घटाकर Profit निकालें। revenue और costs variables (पिछले functions से) देने पर, आप अपनी कृषि गतिविधियों से होने वाला वित्तीय लाभ आसानी से निकाल सकते हैं, जिससे profitability analysis और रणनीतिक निर्णय लेने में सहायता मिलती है।
fill_value_for_range
यह फ़ंक्शन input array में निर्दिष्ट range के भीतर के values को फ़िल्टर करता है। input array, along with optional min_value और optional max_value thresholds देने पर, आप desired range में आने वाले values को अलग कर सकते हैं। value_to_fill parameter range से बाहर के values को किसी निर्दिष्ट value से बदलने की सुविधा देता है, जिससे data filtering और normalization बेहतर होती है।
calculate_per_pixel_mae
इस फ़ंक्शन का उपयोग दो datasets के बीच प्रति pixel Mean Absolute Error (MAE) निकालने के लिए करें। यह absolute differences का एक spatial map देता है। "absolute difference" का सीधा मतलब है संबंधित pixel values के बीच का अंतर कितना है, यह देखना, चाहे कोई मान ज्यादा हो या कम।
यह फ़ंक्शन उन क्षेत्रों की पहचान करने में मदद करता है जहाँ अंतर अधिक है।
calculate_per_pixel_relative_deviation
यह फ़ंक्शन दो datasets के बीच हर pixel के लिए relative deviation निकालता है, और अंतर को dataset_1में मौजूद value के प्रतिशत के रूप में दिखाता है। मूल रूप से, यह बताता है कि एक pixel का मान संबंधित value से कितना अलग है dataset_1 को अनुपातिक रूप में।
यह तरीका खास तौर पर मिट्टी के गुणों, फसल उपज, या remote sensing data में बदलाव का विश्लेषण करते समय बहुत उपयोगी है, क्योंकि इससे आप proportion के हिसाब से बड़े फर्क वाले क्षेत्रों को जल्दी पहचान सकते हैं।
calculate_difference
यह फ़ंक्शन एक dataset में से दूसरे dataset को घटाकर difference map बनाता है। यह उन क्षेत्रों को उभारता है जहाँ एक dataset के values दूसरे की तुलना में ज्यादा या कम हैं, जिससे समय के साथ रुझान और बदलाव देखना आसान हो जाता है।
यह टूल मिट्टी के गुणों, फसल उपज, या remote sensing data में बदलाव दिखाने के लिए खास तौर पर उपयोगी है, जिससे आप जल्दी उन क्षेत्रों की पहचान कर सकते हैं जहाँ आगे analysis या intervention की जरूरत हो सकती है।
calculate_relative_difference
यह फ़ंक्शन हर pixel के लिए relative difference निकालता है, जिसमें datasets के बीच के अंतर को dataset_2के values से normalize किया जाता है। इसका मतलब है कि यह दिखाता है कि बदलाव की महत्ता dataset_2.
की मात्रा के मुकाबले कितनी है। ऐसा proportional comparison अलग-अलग scale वाले datasets पर काम करते समय खास उपयोगी होता है, क्योंकि इससे मिट्टी के गुणों, फसल उपज, या sensor outputs में सापेक्ष बदलाव सामने आते हैं। यह तरीका उल्लेखनीय variation वाले क्षेत्रों को पहचानने में मदद करता है।
calculate_normalized_difference
यह फ़ंक्शन हर pixel के लिए normalized difference निकालता है, जिसमें दोनों datasets को उनके global maximum value के विरुद्ध scale किया जाता है। इस प्रक्रिया से datasets सीधे तुलना योग्य बन जाते हैं, भले ही उनकी ranges मूल रूप से अलग हों।
बनने वाला map मिट्टी के गुणों, फसल उपज और remote sensing data में बदलाव का साफ दृश्य देता है, जिससे आप मुख्य अंतरों को जल्दी पहचान और समझ सकते हैं।
build_zones_by_intervals
यह फ़ंक्शन user-defined value intervals के आधार पर एक continuous raster layer को discrete zones में वर्गीकृत करके management zone map बनाता है।
हर interval एक zone तय करता है, और हर pixel को उसी zone में रखा जाता है जिसकी value range में वह आता है। जो pixels किसी भी interval से मेल नहीं खाते, उन्हें -1 के रूप में चिह्नित किया जाता है।
यह zoning तरीका आमतौर पर yield maps, soil properties, या remote sensing indices को variable-rate applications के लिए उपयोगी management zones में बदलने के लिए इस्तेमाल किया जाता है।
सामान्य उपयोग के मामले
yield, NDVI, या soil layers से management zones बनाना
nutrient या seeding rate calculations के लिए zone maps तैयार करना
निर्णय लेने के लिए खेतों को समान प्रकृति वाले zones में बाँटना
calculate_nutrient_rate_as_active_ingredients_per_zone
यह फ़ंक्शन हर management zone के लिए जरूरी nutrient application rate (active ingredient) की गणना करता है।
गणना इन आधारों पर की जाती है:
एक target nutrient level,
मिट्टी से पौधों के लिए उपलब्ध nutrient supply,
और पहले किए गए operations (manure, fertilizers, digestate आदि) से पहले से डाले गए nutrients।
Applied nutrient operations को constants, per-zone values, raster layers, या इनके किसी भी संयोजन के रूप में दिया जा सकता है। सभी inputs को अपने-आप resolve करके per zone aggregate किया जाता है।
डिफ़ॉल्ट रूप से, जरूरी rate की गणना target nutrient level और soil supply तथा applied nutrients के योग के अंतर के रूप में की जाती है। परिणाम raster map के रूप में मिलता है, जिसमें हर zone में एक समान nutrient rate होता है।
convert_active_ingredient_and_product
यह फ़ंक्शन raster layer को active ingredient rates और product rates के बीच correction coefficient का उपयोग करके convert करता है।
The corrected_coefficient एक single float (सभी pixels पर लागू) या coefficient matrix (per-pixel conversion) हो सकता है। इसका उपयोग आमतौर पर निकाली गई nutrient requirement (active ingredient) को fertilizer composition या nutrient concentration के आधार पर actual product application rates में, या इसके उलट, बदलने के लिए किया जाता है।
यह conversion pixel-wise लागू होता है, जिससे original layer की spatial structure बनी रहती है।
सामान्य उपयोग के मामले
nutrient rates को fertilizer product rates में बदलना
nutrient concentration के आधार पर application maps को समायोजित करना
machinery के लिए अंतिम prescription maps तैयार करना
estimate_texture_class_based_on_usda
यह फ़ंक्शन sand, silt, और clay percentages का उपयोग करके हर pixel के लिए USDA soil texture का अनुमान लगाता है।
प्रतिशत (0-100) में तीन raster layers दें, जो particle-size fractions को दर्शाते हों। Output है USDA class names जैसे sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, या undefined जब inputs invalid हों।
estimate_texture_class_based_on_fao_wrb
यह फ़ंक्शन sand, silt, और clay percentages के आधार पर हर pixel के लिए FAO/WRB (ISO 11277) soil texture class का अनुमान लगाता है।
प्रतिशत (0-100) में तीन raster layers दें, जो particle-size fractions को दर्शाते हों। Output है FAO/WRB class codes जैसे S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, या undefined जब inputs invalid हों.
calculate_soil_bulk_density
यह फ़ंक्शन गणना करता है soil bulk density (g/cm³), जो texture class और optional soil organic matter (SOM) पर आधारित होती है.
The texture_class_layer में class names या codes होने चाहिए, जो USDA texture function या FAO/WRB texture function से ऊपर बताए अनुसार प्राप्त हुए हों।
यदि som_pct_layer को प्रतिशत मान के रूप में दिया गया है, तो यह फ़ंक्शन SOM के आधार पर bulk density को समायोजित करता है। अन्यथा, यह USDA या FAO/WRB lookup के अनुसार texture classes से जुड़ी soil bulk density values g/cm³ में लौटाता है।
अंतिम अपडेट
क्या यह उपयोगी था?