कस्टम फ़ंक्शन्स का कैटलॉग

ये फ़ंक्शन जटिल पायथन कोड को इनकैप्सुलेट करते हैं, जिससे आप आसानी से परिष्कृत डेटा मैनिपुलेशन और गणनाएँ लागू कर सकते हैं।

GeoPard एक व्यापक कस्टम फंक्शन्स कैटलॉग प्रदान करता है जो Equation-आधारित एनालिटिक्स की पठनीयता और कार्यक्षमता बढ़ाने के लिए डिज़ाइन किया गया है। ये फ़ंक्शन जटिल python कोड को समाहित करते हैं, जिससे आप आसानी से परिष्कृत डेटा हेरफेर और गणनाएँ लागू कर सकते हैं।

समीकरण दर्ज करें

एक समीकरण दर्ज करें

GeoPard प्लेटफॉर्म के भीतर अधिक सहज और मेंटेन करने योग्य समीकरण बनाने के लिए उपलब्ध पूर्व-निर्मित फंक्शन्स की सूची शामिल है geopard पैकेज:

fill_gaps_with_k_neighbors

# input_data एक Dataset attribute layer है (उदा., Yield, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

यह फ़ंक्शन K-Neighbors एल्गोरिद्म का उपयोग करके किसी डेटासेट में डेटा गैप्स या शून्य मानों को बहाल करता है। निर्दिष्ट करके input_data वैरिएबल (चयनित एट्रिब्यूट के साथ Dataset के रूप में) और पड़ोसियों की संख्या k, आप गायब मानों को बिना किसी रुकावट के भर सकते हैं, जिससे डेटा की निरंतरता और अखंडता सुनिश्चित होती है।

यह फ़ंक्शन तब अच्छी तरह काम करता है जब डेटा गैप्स खेत भर में फैले हों और किसी विशेष सीमा भाग पर केंद्रीकृत न हों।

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

इस फ़ंक्शन का उपयोग दो Datasets के बीच प्रति-पिक्सेल समानता की गणना करने के लिए करें। वैरिएबल्स data_layer_1 और data_layer_2 को दर्शाना चाहिए एक ही माप में एक ही इकाइयों में सार्थक तुलना सुनिश्चित करने के लिए। Datasets से जुड़े वैरिएबल प्रदान करके, आप 0 से 1 तक मानों वाला एक समानता मानचित्र जनरेट कर सकते हैं, जो तुलनात्मक अध्ययन और पैटर्न पहचान को आसान बनाता है। data_layer_1 और data_layer_2 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)

इस फ़ंक्शन का उपयोग दो नॉर्मलाइज़्ड डेटासेट्स के बीच प्रति-पिक्सेल समानता की गणना के लिए करें। जब मूल

के पास अलग-अलग स्केल या इकाइयाँ हों तो नॉर्मलाइज़ेशन की सिफारिश की जाती है। इन डेटासेट्स को इनपुट के रूप में देकर, फ़ंक्शन 0 से 1 के मानों वाला एक समानता मानचित्र बनाता है, जो तुलनात्मक अध्ययन, पैटर्न पहचान और स्थानिक सुसंगतता विश्लेषण के लिए उपयुक्त है। data_layer_1 और data_layer_2 determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

यह फ़ंक्शन दो Datasets के बीच लो-हाई समानता का मूल्यांकन करता है। Datasets से जुड़े वैरिएबल इनपुट करने पर, आपको एक श्रेणीकृत समानता मानचित्र मिलता है जो low-low, low-high, high-low, और high-high जैसी संयोजनों को इंगित करता है, जो सूक्ष्म डेटा वर्गीकरण के लिए उपयोगी है।

get_value_for_zone data_layer_1 और data_layer_2 zone_3_values = geopard.get_value_for_zone(yield_layer, zone_map, zone_id=3)

इस फ़ंक्शन का उपयोग किसी एक जोन के भीतर Dataset एट्रिब्यूट के सभी मान निकालने के लिए करें। विश्लेषण के लिए उस जोन के भीतर जैसे उपज, आवेदन दर, या बीज दर के मान अलग करने हेतु प्रदान करें

data_layer

(एट्रिब्यूट लेयर), zones_layer (जोन्स मैप), और zone_id (जोन् संख्या) ताकि आप विश्लेषण के लिए मानों को अलग कर सकें। drop_value clean_layer = geopard.drop_value(elevation_layer, value_to_drop=0)

यह फ़ंक्शन आपको किसी Dataset एट्रिब्यूट से विशिष्ट मान निकालने की अनुमति देता है। निर्दिष्ट करके

Dataset एट्रिब्यूट से संबंधित और

value_to_drop zones_layer एक संख्या के रूप में, आप परिणाम से अनचाहे मानों को हटाकर Dataset एट्रिब्यूट डेटा को शुद्ध कर सकते हैं (तकनीकी रूप से अनकुशल मानों को NaN से बदलकर)। normalize_data).

ndvi_normalized = geopard.normalize_data(ndvi_layer)

इस फ़ंक्शन से अपने Dataset एट्रिब्यूट को कुशलतापूर्वक नॉर्मलाइज़ करें। Dataset एट्रिब्यूट से जुड़े इनपुट प्रदान करके, आप डेटा को 0 से 1 के मानक रेंज में स्केल कर सकते हैं, जिससे विभिन्न Datasets के बीच तुलना और एकीकरण आसान हो जाता है।

calculate_total_applied_fertilizer zones_layer 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)
किसी क्षेत्र क्षेत्रफल इकाई में कुल लगाई गई उर्वरक की मात्रा की गणना करें (उदा., kg/ha, l/ha, gal/ac आदि)। AppliedRate एट्रिब्यूट वाले Datasets और संबंधित

application_list

और active_ingredient_coefficient_list के साथ उर्वरक उत्पाद प्रदान करके आप वास्तविक कुल लगाई गई उर्वरक की मात्रा (उदा., kg, l, gal आदि) प्राप्त कर सकते हैं। calculate_total_applied_nitrogen 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)
इस फ़ंक्शन का उपयोग करके kg/ha में कुल लागु नाइट्रोजन की गणना करें। वास्तविक नाइट्रोजन को kg/ha में परिवर्तित करने के लिए नाइट्रोजन उत्पादों के साथ

उपलब्ध कराकर, आप सही तरीके से कुल लागु नाइट्रोजन की गणना कर सकते हैं, जो कृषि योजना और स्थिरता आकलनों के लिए आवश्यक है। आउटपुट के रूप में उपयोग किया जाता है

N_total_applied active_ingredient_coefficient_list के साथ उर्वरक उत्पाद प्रदान करके आप वास्तविक कुल लगाई गई उर्वरक की मात्रा (उदा., kg, l, gal आदि) प्राप्त कर सकते हैं। calculate_total_applied_nitrogen in geopard.calculate_nitrogen_use_efficiency calculate_nitrogen_uptakeN_uptake = geopard.calculate_nitrogen_uptake(.

yield_wet_tha=yield_layer,

moisture_pct=moisture_layer,
    protein_pct=protein_layer,
    protein_crop_correction_coefficient=6.25
    इस फ़ंक्शन से kg/ha में नाइट्रोजन अवशोषण निर्धारित करें। निम्नलिखित प्रदान करके
    yield_wet_tha
)

moisture_pct protein_pct, Yield Dataset से और, protein_crop_correction_coefficient जो प्रोटीन को नाइट्रोजन अवशोषण से जोड़ने वाला गुणांक दर्शाता है, आप फ़सलों में नाइट्रोजन उपयोग दक्षता का आकलन कर सकते हैं। आउटपुट के रूप में उपयोग किया जाता है N_uptake calculate_nitrogen_use_efficiency NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake) calculate_nitrogen_uptakeN_uptake = geopard.calculate_nitrogen_uptake( .

इस फ़ंक्शन का उपयोग करके नाइट्रोजन उपयोग दक्षता को प्रतिशत के रूप में मूल्यांकन करें। पिछली फ़ंक्शन्स से प्राप्त

वैरिएबल इनपुट करके, आप नाइट्रोजन अनुप्रयोग की प्रभावशीलता माप सकते हैं, जो उर्वरक उपयोग को अनुकूलित करने में मदद करता है।

calculate_costs geopard.calculate_nitrogen_use_efficiency और NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake) rates = [seed_rate, fertilizer_rate]

prices = [1.2, 0.8] # price per unit for each rate layer

costs = geopard.calculate_costs(rates, prices)
इस फ़ंक्शन के साथ अनुप्रयोग दरों और कीमतों के आधार पर कुल लागतों की गणना करें। एक
application_rate_list

AppliedRate एट्रिब्यूट वाले Datasets की और संबंधित price_per_unit_list प्रदान करके, आप विभिन्न कृषि कार्यों से जुड़ी लागतें समेकित कर सकते हैं, जो बजट प्रबंधन और वित्तीय योजना का समर्थन करती हैं। आउटपुट के रूप में उपयोग किया जाता है costsgeopard.calculate_profit calculate_revenue calculate_nitrogen_uptakerevenue = geopard.calculate_revenue(yield_as_mass=yield_layer, yield_price_per_unit=0.25).

इस फ़ंक्शन का उपयोग करके Yield Dataset से राजस्व की गणना करें। प्रदान करके

yield_as_mass

Yield Dataset एट्रिब्यूट से जुड़ा और yield_price_per_unit आप फसल उत्पादन से उत्पन्न आय का अनुमान लगा सकते हैं, जिससे आर्थिक मूल्यांकन आसान हो जाता है। आउटपुट के रूप में उपयोग किया जाता है calculate_profitprofit = geopard.calculate_profit(revenue, costs) calculate_revenue calculate_nitrogen_uptakerevenue = geopard.calculate_revenue(yield_as_mass=yield_layer, yield_price_per_unit=0.25) .

इस फ़ंक्शन के माध्यम से राजस्व में से लागत घटाकर लाभ निर्धारित करें। पिछले फ़ंक्शन्स से प्राप्त

revenue

वैरिएबल प्रदान करके, आप आसानी से अपने कृषि संचालन से वित्तीय लाभ की गणना कर सकते हैं, जो लाभप्रदता विश्लेषण और रणनीतिक निर्णय-निर्धारण में मदद करता है। fill_value_for_range और calculate_revenue # केवल 10 और 20 के बीच के मान रखें, बाकी को 0 से बदलें

filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

यह फ़ंक्शन निर्दिष्ट रेंज के भीतर मानों को फ़िल्टर करता है
input

array. इनपुट array, साथ ही वैकल्पिक min_value array, साथ ही वैकल्पिक और वैकल्पिक max_value थ्रेश홀्ड प्रदान करके, आप उन मानों को अलग कर सकते हैं जो इच्छित रेंज में आते हैं। value_to_fill पैरामीटर आउट-ऑफ-रेंज मानों को किसी निर्दिष्ट मान से बदलने की अनुमति देता है, जिससे डेटा फ़िल्टरिंग और नॉर्मलाइज़ेशन प्रक्रियाएँ बेहतर होती हैं। calculate_per_pixel_mae mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

दो डेटासेट्स के बीच प्रत्येक पिक्सेल के लिए Mean Absolute Error (MAE) की गणना करने के लिए इस फ़ंक्शन का उपयोग करें। यह परास्परिक अंतर का स्थानिक मानचित्र प्रदान करता है। "absolute difference" बस संबंधित पिक्सेल मानों के बीच अंतर का आकार है, बिना यह देखे कि कौन सा अधिक या कम है।

यह फ़ंक्शन उन क्षेत्रों की पहचान करने में मदद करता है जहाँ विसंगतियाँ अधिक हैं।

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

यह फ़ंक्शन दो डेटासेट्स के बीच प्रत्येक पिक्सेल के लिए सापेक्ष विचलन की गणना करता है, अंतर को

dataset_1

के मान के प्रतिशत के रूप में व्यक्त करके। मूलतः, यह दिखाता है कि किसी पिक्सेल का मान संबंधित पिक्सेल के मान से अनुपातिक रूप से कितना भिन्न है।यह दृष्टिकोण मिट्टी के गुणों, फसल उपज, या रिमोट सेंसिंग डेटा में भिन्नताओं का विश्लेषण करते समय विशेष रूप से मूल्यवान है, जिससे तेज़ी से उन क्षेत्रों की पहचान हो सकती है जहाँ अनुपातिक अंतर महत्वपूर्ण हैं। मूलतः, यह दिखाता है कि किसी पिक्सेल का मान संबंधित पिक्सेल के मान से अनुपातिक रूप से कितना भिन्न है। calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

यह फ़ंक्शन एक डेटासेट को दूसरे से घटाकर एक अंतर मानचित्र बनाता है। यह उन क्षेत्रों को उजागर करता है जहाँ एक डेटासेट के मान दूसरे की तुलना में अधिक या कम हैं, जिससे रुझानों और समय के साथ परिवर्तन को पहचानना आसान होता है।

यह उपकरण मिट्टी के गुणों, फसल उपज, या रिमोट सेंसिंग डेटा में भिन्नताओं को विज़ुअलाइज़ करने में विशेष रूप से उपयोगी है, जो उन प्रमुख क्षेत्रों की शीघ्र पहचान में मदद करता है जिन्हें आगे विश्लेषण या हस्तक्षेप की आवश्यकता हो सकती है।

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

यह फ़ंक्शन हर पिक्सेल के लिए सापेक्ष अंतर की गणना करता है, डेटासेट्स के बीच के अंतर को

dataset_2

के मानों का उपयोग करके सामान्यीकृत करके। इसका अर्थ है कि यह दिखाता है कि परिवर्तन कितनी मात्रा के सापेक्ष महत्वपूर्ण है। ऐसा अनुपातिक तुलना विशेष रूप से उन डेटासेट्स के साथ काम करते समय उपयोगी है जिनकी स्केलें अलग-अलग होती हैं, जिससे मिट्टी के गुणों, फसल उपज, या सेंसर आउटपुट में सापेक्ष बदलावों का पता चलता है। इस विधि से उन क्षेत्रों को चिन्हित करना संभव होता है जहाँ उल्लेखनीय विविधताएँ हैं।calculate_normalized_difference ऐसा अनुपातिक तुलना विशेष रूप से उन डेटासेट्स के साथ काम करते समय उपयोगी है जिनकी स्केलें अलग-अलग होती हैं, जिससे मिट्टी के गुणों, फसल उपज, या सेंसर आउटपुट में सापेक्ष बदलावों का पता चलता है। इस विधि से उन क्षेत्रों को चिन्हित करना संभव होता है जहाँ उल्लेखनीय विविधताएँ हैं।.

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

यह फ़ंक्शन प्रत्येक पिक्सेल के लिए सामान्यीकृत अंतर की गणना करता है, दोनों डेटासेट्स को उनके वैश्विक अधिकतम मान के विरुद्ध स्केल करके। यह प्रक्रिया डेटासेट्स को सीधे तुलनीय बनाती है भले ही उनके मूल रेंज अलग हों।

प्राप्त मानचित्र मिट्टी के गुणों, फसल उपज और रिमोट सेंसिंग डेटा में विभिन्नताओं का स्पष्ट दृश्य देता है, जिससे प्रमुख अंतर जल्दी पहचाने और आंका जा सकते हैं।

build_zones_by_intervals

# जोनिंग के लिए इंटरवल्स

intervals = [

# उपयोग
zones = geopard.build_zones_by_intervals(
    (4, 8),
    (8, 12),
    (12, 16)
]

layer,
intervals
    यह फ़ंक्शन उपयोगकर्ता-परिभाषित मान इंटरवल्स के आधार पर एक सतत रास्टर लेयर को पृथक ज़ोन में वर्गीकृत करके एक प्रबंधन जोन मानचित्र बनाता है। 
    प्रत्येक इंटरवल एक जोन परिभाषित करता है, और हर पिक्सेल उस जोन को सौंपा जाता है जिसकी मान रेंज में वह आता है। जो पिक्सेल किसी भी इंटरवल से मेल नहीं खाते उन्हें -1 के रूप में चिह्नित किया जाता है।
)

यह जोनिंग दृष्टिकोण आमतौर पर उपज मानचित्रों, मिट्टी के गुणों, या रिमोट सेंसिंग इंडाइसेज़ को वैरिएबल-रेट अनुप्रयोगों के लिए क्रियान्वित करने योग्य प्रबंधन जोनों में बदलने के लिए उपयोग किया जाता है।

सामान्य उपयोग के मामले

उपज, NDVI, या मिट्टी की लेयर से प्रबंधन जोन बनाना

पोषक या बीज दर गणनाओं के लिए जोन मैप तैयार करना

• निर्णय लेने के लिए खेतों को समरूप जोनों में विभाजित करना

• calculate_nutrient_rate_as_active_ingredients_per_zone

• # target_nutrient विकल्प

target_nutrient_option1 = 50 # स्थिर संख्या

# या
target_nutrient_option2 = {1: 20, 2: 40} # प्रति-ज़ोन dict
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # सतत रास्टर लेयर
# applied_nutrient_operations विकल्प
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # सतत रास्टर लेयर
applied_operations = [

5,                                      # operation1 एक स्थिर संख्या के रूप में
{1: 2, 2: 4},                           # operation2 प्रति-ज़ोन dict के रूप में
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 एक सतत रास्टर लेयर के रूप में
    rates_as_active_ingredients = geopard.calculate_nutrient_rate_as_active_ingredients_per_zone(
    zone_map,
]

layer,
target_nutrient,
    plant_available_soil_nutrient, 
    applied_nutrient_operations = applied_operations # or [] 
    यह फ़ंक्शन प्रत्येक प्रबंधन ज़ोन के लिए आवश्यक पोषक आवेदन दर (active ingredient) की गणना करता है। 
    गणना निम्न पर आधारित है:
)

एक लक्ष्य पोषक स्तर,

मिट्टी से पौधे-उपलब्ध पोषक आपूर्ति,

• पहले के कार्यों (गोबर, उर्वरक, डाइजेस्टेट आदि) के माध्यम से पहले से लागू पोषक।

• लागू किए गए पोषक संचालन स्थिर मानों, प्रति-ज़ोन मानों, रास्टर लेयरों, या इन किसी भी संयोजन के रूप में प्रदान किए जा सकते हैं। सभी इनपुट स्वचालित रूप से समाधान किए जाते हैं और प्रति जोन समेकित किए जाते हैं।

• डिफ़ॉल्ट रूप से, आवश्यक दर लक्ष्य पोषक स्तर और मिट्टी की आपूर्ति व लागू पोषकों के योग के बीच का अंतर के रूप में गणना की जाती है। परिणाम एक रास्टर मानचित्र के रूप में लौटाया जाता है जहाँ प्रत्येक जोन में एक समान पोषक दर रहती है।

convert_active_ingredient_and_product

# सक्रिय अवयव से उत्पाद और इसके विपरीत परिवर्तक गुणांक

corrected_coefficient = 1.5 # स्थिर गुणांक

corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # प्रति-पिक्सेल गुणांक
rates_as_products = geopard.convert_active_ingredient_and_product(
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # सतत रास्टर लेयर
corrected_coefficient

layer,
यह फ़ंक्शन एक रास्टर लेयर को
    यह फ़ंक्शन उपयोगकर्ता-परिभाषित मान इंटरवल्स के आधार पर एक सतत रास्टर लेयर को पृथक ज़ोन में वर्गीकृत करके एक प्रबंधन जोन मानचित्र बनाता है। 
    active ingredient दरों और उत्पाद दरों के बीच
)

एक सुधार गुणांक का उपयोग करके परिवर्तित करता है। यह एकल

float active ingredient दरों और उत्पाद दरों के बीच (सभी पिक्सेल पर लागू) या एक गुणांक मैट्रिक्स (प्रति-पिक्सेल परिवर्तन) हो सकता है। इसे आमतौर पर गणना किए गए पोषक आवश्यकताओं (active ingredient) को वास्तविक उत्पाद आवेदन दरों में अनुवाद करने के लिए या इसके विपरीत उपयोग किया जाता है, जो उर्वरक रचना या पोषक सांद्रता पर आधारित होता है। परिवर्तन पिक्सेल-वार लागू किया जाता है, मूल लेयर की स्थानिक संरचना को बनाए रखते हुए। पोषक दरों को उर्वरक उत्पाद दरों में परिवर्तित करना

पौष्टिकता सांद्रता के आधार पर आवेदन मानचित्र समायोजित करना

पोषक या बीज दर गणनाओं के लिए जोन मैप तैयार करना

• मशीनरी के लिए अंतिम प्रिस्क्रिप्शन मैप तैयार करना

• estimate_texture_class_based_on_usda

• usda_texture = geopard.estimate_texture_class_based_on_usda(

sand_pct_layer,

silt_pct_layer,
    clay_pct_layer
    यह फ़ंक्शन रेत, सिल्ट और चिकनी मिट्टी प्रतिशतों का उपयोग करके प्रत्येक पिक्सेल के लिए USDA मिट्टी बनावट का अनुमान लगाता है।
    कण-आकार हिस्सों का प्रतिनिधित्व करने वाले तीन रास्टर लेयर प्रतिशत (0-100) में प्रदान करें। आउटपुट के रूप में
)

USDA वर्ग नाम जैसे

sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, या undefined प्राप्त होंगे जब इनपुट अमान्य हों। estimate_texture_class_based_on_fao_wrb fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(

यह फ़ंक्शन रेत, सिल्ट और चिकनी मिट्टी प्रतिशतों के आधार पर प्रत्येक पिक्सेल के लिए FAO/WRB (ISO 11277) मिट्टी बनावट वर्ग का अनुमान लगाता है।

FAO/WRB वर्ग कोड जैसे
    clay_pct_layer
    यह फ़ंक्शन रेत, सिल्ट और चिकनी मिट्टी प्रतिशतों का उपयोग करके प्रत्येक पिक्सेल के लिए USDA मिट्टी बनावट का अनुमान लगाता है।
    कण-आकार हिस्सों का प्रतिनिधित्व करने वाले तीन रास्टर लेयर प्रतिशत (0-100) में प्रदान करें। आउटपुट के रूप में
)

S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, या undefined

sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, या undefined जब इनपुट अमान्य हों calculate_soil_bulk_density bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer).

यह फ़ंक्शन बनावट वर्ग और वैकल्पिक मिट्टी कार्बनिक पदार्थ (SOM) के आधार पर

मिट्टी की बल्क डेंसिटी (g/cm³) की गणना करता है।

texture_class_layer को उन वर्ग नामों या कोड्स को शामिल करना चाहिए जो ऊपर दिए गए.

float USDA बनावट फ़ंक्शन या FAO/WRB बनावट फ़ंक्शन द्वारा उत्‍पन्‍न किए जाते हैं। som_pct_layer यदि SOM प्रतिशत प्रदान किया जाता है, तो फ़ंक्शन SOM का उपयोग करके बल्क डेंसिटी को समायोजित करता है। अन्यथा, यह USDA या FAO/WRB लुकअप के अनुसार बनावट वर्गों से संबंधित मिट्टी की बल्क डेंसिटी (g/cm³) मान लौटाता है।

यदि som_pct_layer यदि SOM प्रतिशत प्रदान किया जाता है, तो फ़ंक्शन SOM का उपयोग करके बल्क डेंसिटी को समायोजित करता है। अन्यथा, यह USDA या FAO/WRB लुकअप के अनुसार बनावट वर्गों से संबंधित मिट्टी की बल्क डेंसिटी (g/cm³) मान लौटाता है।