> 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/in/product-tour-web-app/zones-maps-and-analytics/multi-layer-analytics.md).

# मल्टी-लेयर विश्लेषण

GeoPard में आप कई डेटा लेयर जोड़कर मैनेजमेंट ज़ोन बना सकते हैं। आप वेट, इंडेक्स, ज़ोन की संख्या, क्लस्टरिंग टाइप और न्यूनतम पॉलिगन एरिया नियंत्रित करते हैं।

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*इंटरैक्टिव डेमो - बहु-परत ज़ोन बनाना*

प्रिसिजन कृषि में बड़ी मात्रा में डेटा मिलता है, जिसमें उपज का डेटा, सैटेलाइट इमेजरी और मिट्टी की उर्वरता की परतें शामिल हैं। कई टीमों को अब भी इन परतों को उपयोगी जानकारी और कार्रवाई में बदलने में कठिनाई होती है। प्रिसिजन कृषि में, प्रबंधन ज़ोन खेत के वे हिस्से होते हैं जहाँ मिट्टी के प्रकार, ढलान पर स्थिति, मिट्टी की रासायनिक विशेषताओं, सूक्ष्म जलवायु या फसल को प्रभावित करने वाले अन्य कारकों के आधार पर उपज की संभावना समान होती है। खेत के बारे में स्थानीय जानकारी भी इस प्रक्रिया का एक अहम हिस्सा है। प्रबंधन ज़ोन फसल के लिए उपयोग होने वाले संसाधनों को बेहतर ढंग से तय करने और उपज की संभावना को बढ़ाने में मदद करते हैं।

मुख्य चुनौती ऐसे प्रबंधन ज़ोन बनाना है जो खेत में वास्तविक भिन्नताओं को दर्शाएँ। सैटेलाइट इमेजरी, मिट्टी की उर्वरता, स्थलाकृति से निकाले गए मान और उपज मॉनिटर के डेटा जैसी परतों को मिलाना, परिस्थितियों के अनुसार बेहतर ढंग से प्रबंधन करने वाले ज़ोन बनाने की दिशा में अगला तार्किक कदम है।

बहु-परत विश्लेषण (जिसे एकीकृत विश्लेषण भी कहा जाता है) GeoPard के भू-स्थानिक विश्लेषण इंजन का हिस्सा बन रहा है।

एकीकृत विश्लेषण में आम तौर पर उपज के एक या अधिक डेटासेट, NDVI मानचित्र, ऊँचाई और मिट्टी के सेंसर से मिली भौतिक-रासायनिक विशेषताओं को मिलाया जाता है। GeoPard इन पैरामीटरों को सपोर्ट करता है और आपको सिस्टम में पहले से उपलब्ध या उपयोगकर्ता द्वारा सीधे अपलोड की गई खेत के डेटा की अन्य परतें भी शामिल करने देता है, जैसे मिट्टी के नमूनों और उपज के डेटासेट। इस तरह, आप एकीकृत विश्लेषण के लिए पैरामीटरों के पूरे सेट के साथ काम कर सकते हैं:

उपज का डेटा\
रिमोट सेंसिंग डेटा:

* संभावित उत्पादकता का मानचित्र (एक साल और कई सालों का)
* स्थिरता/भिन्नता का मानचित्र
* वनस्पति सूचकांक NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

स्थलाकृति:

* ऊँचाई
* ढलान
* वक्रता
* नमी सूचकांक
* ढलान की दिशा
* छाया-राहत चित्र
* ऊबड़-खाबड़पन
* सतही खुरदरापन

मिट्टी का डेटा:

* pH
* CEC (धनायन विनिमय क्षमता)
* SOM (मिट्टी का जैविक पदार्थ)
* K (पोटैशियम)
* ऊपरी मिट्टी की परत पतली, पानी रोकने की उपलब्ध क्षमता कम (सूखे की आशंका वाली मिट्टी)
* EC (विद्युत चालकता)
* और अपलोड किए गए डेटासेट में उपलब्ध अन्य रासायनिक गुण

ध्यान दें कि आप हर डेटा परत के लिए अपनी पसंद के कारक तय कर सकते हैं और उन्हें मनचाहा भार दे सकते हैं। GeoPard में डेटा स्रोत और उनका भार चुनते हुए, खेत के बारे में अपनी जानकारी के आधार पर प्रबंधन ज़ोन के मानचित्र बना सकते हैं।

## परतों का भार कैसे काम करता है

भार यह तय करता है कि परिणामी ज़ोन मानचित्र के हर पिक्सेल पर प्रत्येक परत का कितना प्रभाव होगा।

### सबसे पहले सामान्यीकरण

इनपुट परतों की इकाइयाँ और मान-सीमाएँ अलग-अलग होती हैं: NDVI का मान 0 से 1 तक, उपज 4 से 12 t/ha तक, pH 5.5 से 7.5 तक और EC 5 से 60 mS/m तक होता है। कच्चे मानों को मिलाने पर सबसे बड़ी संख्यात्मक सीमा वाली परत परिणाम पर हावी हो जाएगी, भले ही कृषि की दृष्टि से उसका महत्व कम हो।

GeoPard पहले हर परत पर min-max सामान्यीकरण लागू करता है। इसमें खेत के भीतर उस परत के अपने न्यूनतम और अधिकतम मानों के आधार पर उसे एक साझा सीमा में बदला जाता है। इसके बाद प्रभाव केवल भार से तय होता है।

### इसके बाद भार लागू होते हैं

हर सामान्यीकृत परत को उसके भार से गुणा किया जाता है, फिर सभी परतों को मिलाकर एक सतह बनाई जाती है।

### ऋणात्मक भार परत को उलट देते हैं

ऋणात्मक भार पैमाने को उलट देता है: परत के ऊँचे मानों को कम और कम मानों को ऊँचा माना जाता है। इसका उपयोग तब करें जब ऊँचे मान खराब परिस्थितियों का संकेत हों, उदाहरण के लिए:

* ऐसे खेत में चिकनी मिट्टी की मात्रा जहाँ जल निकासी ठीक न हो
* ऐसी जगह की ऊँचाई जहाँ निचले हिस्सों में पाला पड़ता हो या पानी भरता हो
* ऐसे खेत में EC जहाँ ऊँचे मान पानी रोकने की क्षमता के बजाय लवणता का संकेत हों

### खाली जगहों के मानों का अनुमान लगाया जाता है

जहाँ किसी परत में पिक्सेल के मान मौजूद न हों (सैटेलाइट चित्र में बादलों की वजह से, उपज के डेटा में किसी पास के छूट जाने से या मिट्टी के नमूनों के कम बिंदु होने से), वहाँ GeoPard उस पिक्सेल को हटाने के बजाय आसपास के मानों से उसका अनुमान लगाता है। इससे संयुक्त मानचित्र पूरे खेत में निरंतर बना रहता है।

### परिणाम को फिर से सामान्यीकृत किया जाता है

भार लागू करके परतों को मिलाने के बाद, परिणाम के मानचित्र को फिर से सामान्यीकृत किया जाता है, ताकि वह पूरी मान-सीमा में फैले। इसके बाद उसे आपके चुने हुए ज़ोन की संख्या के अनुसार बाँट दिया जाता है।

{% hint style="info" %}
**भार चुनना:** शुरुआत में उस परत को सबसे अधिक भार दें जिस पर आपको सबसे ज़्यादा भरोसा है। कई सालों का उपज डेटा और लंबे समय की सैटेलाइट उत्पादकता आम तौर पर सबसे भरोसेमंद संकेत होते हैं। किसी एक तारीख की सैटेलाइट इमेजरी सबसे अधिक परिस्थितियों पर निर्भर करती है, क्योंकि एक चित्र मौसम के केवल एक पल को दिखाता है।
{% endhint %}

नीचे दिए गए चित्रों में एक नमूना खेत दिखाया गया है, जिसमें 18 साल का उत्पादकता मानचित्र, डिजिटल एलिवेशन मॉडल, ढलान, छाया-राहत चित्र और 2019 का उपज डेटा जैसी परतें, साथ ही एकीकृत विश्लेषण के अलग-अलग परिणाम शामिल हैं। आप देख सकते हैं कि और परतें जोड़ने पर प्रबंधन ज़ोन कैसे बदलते हैं।

<figure><img src="https://537187778-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fthi0JMlu2pSoF0wLOJp4%2FGeoPard%20Multi-Layer%20Maps%20creating.png?alt=media&amp;token=05cd9cea-0069-451d-af90-caa61801aaa1" alt="Multi-layer zones setup with several data layers and weights"><figcaption><p>बहु-परत ज़ोन मानचित्र के लिए परतें और उनके भार।</p></figcaption></figure>

<figure><img src="https://537187778-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrfxM1lvXMqXgHLGug8Ow%2FGeoPard%20Multi-Layer%20Maps%20creating%20-%20result%20map.png?alt=media&amp;token=78d3bfd6-255b-477b-95d5-6bb0de84da61" alt="Multi-layer zones map built from imagery, soil EC, topography and yield"><figcaption><p>परिणाम: इमेजरी, मिट्टी के EC, स्थलाकृति और उपज के डेटा से मिलकर बने ज़ोन।</p></figcaption></figure>


---

# 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/in/product-tour-web-app/zones-maps-and-analytics/multi-layer-analytics.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.
