Catalogo di funzioni personalizzate
Queste funzioni incapsulano codice Python complesso, consentendoti di implementare con facilità manipolazioni e calcoli sofisticati sui dati.
GeoPard offre un catalogo completo di funzioni personalizzate progettate per migliorare la leggibilità e la funzionalità delle analisi basate su equazioni. Queste funzioni racchiudono complesse python codice, consentendoti di implementare con facilità manipolazioni e calcoli dei dati sofisticati.
Inserisci equazione
L’elenco delle funzioni predefinite disponibili per creare equazioni più intuitive e manutenibili in GeoPard è incluso nel geopard pacchetto:
fill_gaps_with_k_neighbors
Questa funzione ripristina le lacune nei dati o gli zeri in un dataset usando l’algoritmo K-Neighbors. Specificando la input_data variabile (come Dataset con l’attributo selezionato) e il numero di vicini k, puoi riempire senza problemi i valori mancanti, garantendo continuità e integrità dei dati.
Questa funzione funziona bene quando le lacune dei dati sono distribuite in tutto il campo e non sono allocate a una parte particolare del confine del campo.
determine_data_similarity
Usa questa funzione per calcolare la similarità pixel per pixel tra due Dataset. Le variabili data_layer_1 e data_layer_2 dovrebbero rappresentare la stessa misurazione nelle stesse unità per garantire un confronto significativo. Fornendo variabili data_layer_1 e data_layer_2 associate ai Dataset, puoi generare una mappa di similarità con valori da 0 a 1, facilitando studi comparativi e il riconoscimento di pattern.
determine_data_similarity_from_normalized
Usa questa funzione per calcolare la similarità pixel per pixel tra due dataset normalizzati. La normalizzazione è consigliata quando gli originali data_layer_1 e data_layer_2 hanno scale o unità diverse. Fornendo questi dataset come input, la funzione genera una mappa di similarità con valori da 0 a 1, rendendola adatta a studi comparativi, riconoscimento di pattern e analisi della coerenza spaziale.
determine_low_high_similarity
Questa funzione valuta la similarità basso-alto tra due Dataset. Inserendo variabili data_layer_1 e data_layer_2 associate ai Dataset, ottieni una mappa di similarità categorizzata che indica combinazioni come basso-basso, basso-alto, alto-basso e alto-alto, utile per una classificazione più sfumata dei dati.
get_value_for_zone
Usa questa funzione per estrarre tutti i valori di un attributo Dataset all’interno di una singola zona. Fornisci data_layer (il livello attributo), zones_layer (la mappa delle zone) e zone_id (il numero della zona) per isolare i valori per l’analisi, come resa, dose di distribuzione o dose di semina, all’interno di quella zona.
drop_value
Questa funzione consente di rimuovere valori specifici da un attributo del dataset. Specificando data_layer e value_to_drop, puoi pulire il dataset eliminando quei valori dal risultato, sostituendoli tecnicamente con NaN.
normalize_data
Normalizza un attributo del dataset con questa funzione. Passando data_layerpuoi scalare i dati in un intervallo standardizzato da 0 a 1, rendendo più facile il confronto e l’integrazione tra dataset diversi.
calculate_total_applied_fertilizer
Calcola il Fertilizzante Totale Applicato in unità per area (ad esempio, in kg/ha, l/ha, gal/ac, ecc.). Fornendo application_list Dataset con attributi AppliedRate e un corrispondente active_ingredient_coefficient_list con i prodotti fertilizzanti ottieni il fertilizzante totale effettivamente applicato in unità (ad esempio, in kg, l, gal, ecc.).
calculate_total_applied_nitrogen
Calcola l’Azoto Totale Applicato in kg/ha usando questa funzione. Fornendo application_list Dataset con attributi AppliedRate e un corrispondente active_ingredient_coefficient_list con prodotti azotati per convertire l’azoto effettivo in kg/ha, puoi calcolare con precisione l’Azoto Totale Applicato, essenziale per la pianificazione agricola e le valutazioni di sostenibilità. L’output viene usato come N_total_applied ingeopard.calculate_nitrogen_use_efficiency.
calculate_nitrogen_uptake
Determina l’Assorbimento di Azoto in kg/ha con questa funzione. Fornendo yield_wet_tha, moisture_pct, protein_pct dal Dataset Yield e protein_crop_correction_coefficient che rappresenta il legame tra proteine e assorbimento di azoto, puoi valutare l’Efficienza d’Uso dell’Azoto nella produzione colturale. L’output viene usato come N_uptake ingeopard.calculate_nitrogen_use_efficiency .
calculate_nitrogen_use_efficiency
Valuta l’Efficienza d’Uso dell’Azoto come percentuale usando questa funzione. Inserendo N_total_applied e N_uptake variabili (dalle funzioni precedenti), puoi misurare l’efficacia dell’applicazione di azoto, aiutando a ottimizzare l’uso dei fertilizzanti.
calculate_costs
Calcola i Costi Totali in base alle dosi di distribuzione e ai prezzi con questa funzione. Fornendo una application_rate_list di Dataset con gli attributi AppliedRate e un corrispondente price_per_unit_list, puoi aggregare le spese relative a varie attività agricole, supportando la gestione del budget e la pianificazione finanziaria. L’output viene usato come costs ingeopard.calculate_profit.
calculate_revenue
Calcola il Ricavo dal Dataset Yield usando questa funzione. Inserendo yield_as_mass associato all’attributo del Dataset Yield e il yield_price_per_unit, puoi stimare il reddito generato dalla produzione agricola, facilitando le valutazioni economiche. L’output viene usato come costs ingeopard.calculate_profit .
calculate_profit
Determina il Profitto sottraendo i Costi dal Ricavo usando questa funzione. Fornendo le revenue e costs variabili (dalle funzioni precedenti), puoi calcolare facilmente il guadagno finanziario delle loro operazioni agricole, supportando l’analisi della redditività e il processo decisionale strategico.
fill_value_for_range
Questa funzione filtra i valori entro un intervallo specificato nell’ input array. Fornendo l’ input array, insieme all’opzionale min_value e al facoltativo max_value threshold, puoi isolare i valori che rientrano nell’intervallo desiderato. Il parametro value_to_fill consente di sostituire i valori fuori intervallo con un valore specificato, migliorando i processi di filtraggio e normalizzazione dei dati.
calculate_per_pixel_mae
Usa questa funzione per calcolare l’errore assoluto medio (MAE) per pixel tra due dataset. Fornisce una mappa spaziale delle differenze assolute. La “differenza assoluta” è semplicemente la dimensione del divario tra i valori dei pixel corrispondenti, ignorando se uno è maggiore o minore.
La funzione aiuta a identificare le aree con scostamenti maggiori.
calculate_per_pixel_relative_deviation
Questa funzione calcola la deviazione relativa per ciascun pixel tra due dataset, esprimendo la differenza come percentuale del valore in dataset_1. In sostanza, mostra di quanto il valore di un pixel si discosta dal valore corrispondente in dataset_1 in termini proporzionali.
Questo approccio è particolarmente prezioso quando si analizzano variazioni nelle proprietà del suolo, nella resa colturale o nei dati di telerilevamento, perché aiuta a individuare rapidamente le aree con differenze proporzionali significative.
calculate_difference
Questa funzione sottrae un dataset da un altro per creare una mappa delle differenze. Evidenzia le aree in cui i valori di un dataset sono più alti o più bassi rispetto all’altro, facilitando l’individuazione di tendenze e cambiamenti nel tempo.
Questo strumento è particolarmente utile per visualizzare le variazioni nelle proprietà del suolo, nella resa colturale o nei dati di telerilevamento, aiutandoti a identificare rapidamente le aree che possono richiedere ulteriori analisi o interventi.
calculate_relative_difference
Questa funzione calcola la differenza relativa per ciascun pixel normalizzando la differenza tra i dataset usando i valori di dataset_2. Ciò significa che mostra quanto è significativo il cambiamento in relazione alla magnitudine di dataset_2.
Un confronto proporzionale di questo tipo è particolarmente utile quando si lavora con dataset di scale diverse, aiutando a mettere in evidenza spostamenti relativi nelle proprietà del suolo, nelle rese colturali o negli output dei sensori. Questo approccio aiuta a individuare le aree con variazioni notevoli.
calculate_normalized_difference
Questa funzione calcola la differenza normalizzata per ciascun pixel scalando entrambi i dataset rispetto al loro valore massimo globale. Questo processo rende i dataset direttamente confrontabili anche se originariamente hanno intervalli diversi.
La mappa risultante offre una visione chiara delle variazioni nelle proprietà del suolo, nella resa colturale e nei dati di telerilevamento, consentendoti di identificare e valutare rapidamente le differenze chiave.
build_zones_by_intervals
Questa funzione crea una mappa di zone di gestione classificando un livello raster continuo in zone discrete in base a intervalli di valori definiti dall’utente.
Ogni intervallo definisce una zona, e ogni pixel viene assegnato alla zona in cui ricade il suo intervallo di valori. I pixel che non corrispondono a nessun intervallo vengono contrassegnati come -1.
Questo approccio di zonizzazione è comunemente usato per trasformare mappe di resa, proprietà del suolo o indici di telerilevamento in zone di gestione operative per applicazioni a dose variabile.
Casi d’uso tipici
Creare zone di gestione da livelli di resa, NDVI o suolo
Preparare mappe di zona per calcoli di nutrienti o dosi di semina
Suddividere i campi in zone omogenee per il processo decisionale
calculate_nutrient_rate_as_active_ingredients_per_zone
Questa funzione calcola il tasso di applicazione dei nutrienti richiesto (principio attivo) per ciascuna zona di gestione.
Il calcolo si basa su:
un livello target di nutrienti,
fornitura di nutrienti disponibili per la pianta dal suolo,
nutrienti già applicati tramite operazioni precedenti (letame, fertilizzanti, digestato, ecc.).
Le operazioni di nutrienti applicati possono essere fornite come costanti, valori per zona, livelli raster o qualsiasi combinazione di questi. Tutti gli input vengono risolti automaticamente e aggregati per zona.
Per impostazione predefinita, il tasso richiesto viene calcolato come differenza tra il livello target di nutrienti e la somma della disponibilità del suolo e dei nutrienti applicati. Il risultato viene restituito come mappa raster in cui ciascuna zona contiene un tasso uniforme di nutrienti.
convert_active_ingredient_and_product
Questa funzione converte un livello raster tra dosi di principio attivo e dosi di prodotto usando un coefficiente di correzione.
Il corrected_coefficient può essere un singolo float (applicato a tutti i pixel) oppure una matrice di coefficienti (conversione per pixel). Viene in genere usata per tradurre i fabbisogni nutritivi calcolati (principio attivo) nelle effettive dosi di applicazione del prodotto, o viceversa, in base alla composizione del fertilizzante o alla concentrazione del nutriente.
La conversione viene applicata pixel per pixel, preservando la struttura spaziale del livello originale.
Casi d’uso tipici
Convertire le dosi di nutrienti in dosi di prodotto fertilizzante
Regolare le mappe di distribuzione in base alla concentrazione dei nutrienti
Preparare le mappe di prescrizione finali per i macchinari
estimate_texture_class_based_on_usda
Questa funzione stima la tessitura del suolo USDA per ciascun pixel usando le percentuali di sabbia, limo e argilla.
Fornisci tre livelli raster in percentuale (0-100) che rappresentano le frazioni granulometriche. L’output è nomi di classi USDA come sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, oppure undefined quando gli input non sono validi.
estimate_texture_class_based_on_fao_wrb
Questa funzione stima la classe tessiturale del suolo FAO/WRB (ISO 11277) per ciascun pixel in base alle percentuali di sabbia, limo e argilla.
Fornisci tre livelli raster in percentuale (0-100) che rappresentano le frazioni granulometriche. L’output è codici di classe FAO/WRB come S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, oppure undefined quando gli input non sono validi.
calculate_soil_bulk_density
Questa funzione calcola la densità apparente del suolo (g/cm³) in base alla classe tessiturale e, facoltativamente, alla sostanza organica del suolo (SOM).
Il texture_class_layer dovrebbe contenere nomi o codici di classe prodotti dalla funzione di tessitura USDA o dalla funzione di tessitura FAO/WRB menzionata sopra.
Se som_pct_layer è fornito come valore percentuale, la funzione adatta la densità apparente usando la SOM. Altrimenti, restituisce valori di densità apparente del suolo in g/cm³ associati alle classi tessiturali secondo la lookup USDA o FAO/WRB.
Ultimo aggiornamento
È stato utile?