Catalogo di funzioni personalizzate

Queste funzioni incapsulano codice Python complesso, permettendoti di implementare facilmente sofisticate manipolazioni e calcoli 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 porzioni di codice, permettendoti di implementare manipolazioni e calcoli dei dati sofisticati con facilità.

Inserisci Equazione

Inserisci un'Equazione

L'elenco delle funzioni predefinite disponibili per creare Equazioni più intuitive e manutenibili all'interno della piattaforma GeoPard è incorporato nel pacchetto geopard: pacchetto:

fill_gaps_with_k_neighbors

# input_data è un layer attributo del Dataset (es. Resa, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Questa funzione ripristina le lacune o gli zeri nei dati di un dataset utilizzando l'algoritmo dei K-Neighbors. Specificando la variabile input_data (come Dataset con l'attributo selezionato) e il numero di vicini k, puoi colmare senza problemi i valori mancanti, garantendo continuità e integrità dei dati.

Questa funzione funziona bene quando le lacune dei dati sono distribuite nel campo e non concentrate in una parte particolare del bordo del campo.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Usa questa funzione per calcolare la similarità per pixel tra due Dataset. Le variabili data_layer_1 e data_layer_2 dovrebbero rappresentare la stessa misura nella stesse unità per garantire un confronto significativo. Fornendo le variabili data_layer_1 e data_layer_2 associate a Dataset, puoi generare una mappa di similarità con valori che variano da 0 a 1, facilitando studi comparativi e il riconoscimento di pattern.

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)

Usa questa funzione per calcolare la similarità per pixel tra due dataset normalizzati. La normalizzazione è raccomandata 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 che variano da 0 a 1, rendendola adatta per studi comparativi, riconoscimento di pattern e analisi della coerenza spaziale.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Questa funzione valuta la similarità basso-alto tra due Dataset. Inserendo le variabili data_layer_1 e data_layer_2 associate a Dataset, riceverai una mappa di similarità categorizzata che indica combinazioni come basso-basso, basso-alto, alto-basso e alto-alto, utile per una classificazione dei dati più dettagliata.

get_value_for_zone

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

Usa questa funzione per estrarre tutti i valori di un attributo del Dataset all'interno di una singola zona. Fornisci data_layer (il layer attributo), zones_layer (la mappa delle zone), e zone_id (il numero della zona) per isolare i valori per l'analisi, come resa, velocità di applicazione o densità di semina, all'interno di quella zona.

drop_value

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

Questa funzione ti consente di rimuovere valori specifici da un attributo del Dataset. Specificando data_layer associati a un attributo del Dataset e value_to_drop come numero, puoi pulire i dati dell'attributo del Dataset eliminandoli dal risultato (tecnicamente sostituendo i valori non desiderati con NaN).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normalizza efficacemente l'attributo del tuo Dataset con questa funzione. Inserendo data_layer associati all'attributo del Dataset, puoi scalare i dati su un intervallo standardizzato da 0 a 1, facilitando il confronto e l'integrazione tra diversi Dataset.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # usa 1.0 per mantenere le unità, o adegua per la concentrazione del prodotto

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Calcola il Fertilizzante Totale Applicato in unità per area (per esempio, in kg/ha, l/ha, gal/ac, ecc.). Fornendo application_list Dataset con attributi AppliedRate e i corrispondenti active_ingredient_coefficient_list con prodotti fertilizzanti per ottenere il totale effettivamente applicato in unità (per esempio, in kg, l, gal, ecc.).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # frazione di N (ingrediente attivo) in ogni prodotto

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Calcola l'Azoto Totale Applicato in kg/ha usando questa funzione. Fornendo application_list Dataset con attributi AppliedRate e i corrispondenti active_ingredient_coefficient_list prodotti a base di azoto 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 è usato come N_total_applied ingeopard.calculate_nitrogen_use_efficiency.

calculate_nitrogen_uptake

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
)

Determina l'Assorbimento di Azoto in kg/ha con questa funzione. Fornendo yield_wet_tha, moisture_pct, protein_pct dal Dataset di Resa e protein_crop_correction_coefficient che rappresenta il collegamento tra proteina e assorbimento di azoto, puoi valutare l'Efficienza d'Uso dell'Azoto nella produzione delle colture. L'output è usato come N_uptake ingeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Valuta l'Efficienza d'Uso dell'Azoto in 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

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # prezzo per unità per ogni layer di rate
costs = geopard.calculate_costs(rates, prices)

Calcola i Costi Totali in base ai tassi di applicazione e ai prezzi con questa funzione. Fornendo una application_rate_list di Dataset con gli attributi AppliedRate e una corrispondente price_per_unit_list, puoi aggregare le spese legate a varie attività agricole, supportando la gestione del budget e la pianificazione finanziaria. L'output è usato come costs ingeopard.calculate_profit.

calculate_revenue

revenue = geopard.calculate_revenue(yield_as_mass=yield_layer, yield_price_per_unit=0.25)

Calcola il Ricavo dal Dataset di Resa usando questa funzione. Inserendo yield_as_mass associato all'attributo del Dataset di Resa e il yield_price_per_unit, puoi stimare il reddito generato dalla produzione agricola, facilitando valutazioni economiche. L'output è usato come costs ingeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

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 operazioni agricole, supportando l'analisi della redditività e le decisioni strategiche.

fill_value_for_range

# mantieni solo i valori tra 10 e 20, sostituisci il resto con 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Questa funzione filtra i valori all'interno di un intervallo specificato nell' input array. Fornendo l' input array, insieme ai facoltativi min_value e facoltativi max_value soglie, puoi isolare i valori che rientrano nell'intervallo desiderato. Il value_to_fill parametro permette di sostituire i valori fuori intervallo con un valore specificato, migliorando i processi di filtraggio e normalizzazione dei dati.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

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 l'entità del divario tra i valori dei pixel corrispondenti, ignorando se uno è più alto o più basso.

La funzione aiuta a identificare aree con discrepanze maggiori.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Questa funzione calcola la deviazione relativa per ogni pixel tra due dataset, esprimendo la differenza come percentuale del valore in dataset_1. Fondamentalmente, mostra quanto il valore di un pixel devia dal corrispondente valore in dataset_1 in termini proporzionali.

Questo approccio è particolarmente utile quando si analizzano variazioni nelle proprietà del suolo, nella resa delle colture o nei dati di telerilevamento, permettendo di individuare rapidamente aree con differenze proporzionali significative.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

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, rendendo più facile individuare tendenze e cambiamenti nel tempo.

Questo strumento è particolarmente utile per visualizzare variazioni nelle proprietà del suolo, nella resa delle colture o nei dati di telerilevamento, aiutando a identificare rapidamente le aree chiave che potrebbero richiedere ulteriori analisi o interventi.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Questa funzione calcola la differenza relativa per ogni pixel normalizzando la differenza tra i dataset utilizzando i valori di dataset_2. Questo 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 rivelare spostamenti relativi nelle proprietà del suolo, nelle rese delle colture o negli output dei sensori. Questo approccio consente di individuare aree con variazioni rilevanti.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Questa funzione calcola la differenza normalizzata per ogni pixel scalando entrambi i dataset rispetto al loro valore massimo globale. Questo processo rende i dataset direttamente confrontabili anche se inizialmente avevano intervalli differenti.

La mappa risultante fornisce una visione chiara delle variazioni nelle proprietà del suolo, nella resa delle colture e nei dati di telerilevamento, permettendo di identificare e valutare rapidamente le differenze chiave.

build_zones_by_intervals

# intervalli per la zonazione
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

# utilizzo
zones = geopard.build_zones_by_intervals(
    layer, 
    intervals
)

Questa funzione crea una mappa di zone di gestione classificando un layer raster continuo in zone discrete basate su intervalli di valore definiti dall'utente.

Ogni intervallo definisce una zona, e ogni pixel è assegnato alla zona il cui intervallo di valori lo comprende. I pixel che non corrispondono a nessun intervallo vengono contrassegnati con -1.

Questo approccio di zonazione è comunemente usato per trasformare mappe di resa, proprietà del suolo o indici di telerilevamento in zone di gestione azionabili per applicazioni a dose variabile.

Casi d'uso tipici

• Creazione di zone di gestione da mappe di resa, NDVI o layer del suolo

• Preparazione delle mappe di zona per i calcoli di nutrienti o dei tassi di semina

• Segmentazione dei campi in zone omogenee per il processo decisionale

calculate_nutrient_rate_as_active_ingredients_per_zone

# opzioni target_nutrient
target_nutrient_option1 = 50 # numero costante
# OPPURE
target_nutrient_option2 = {1: 20, 2: 40} # dizionario per zona
# OPPURE
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # layer raster continuo

# opzioni applied_nutrient_operations
applied_operations = [
    5,                                      # operazione1 come numero costante
    {1: 2, 2: 4},                           # operazione2 come dizionario per zona
    np.array([[1, 1], [2, 3]], dtype=float) # operazione3 come layer raster continuo
]

# utilizzo
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 # o []
)

Questa funzione calcola la dose di nutrienti richiesta (ingrediente attivo) per ogni zona di gestione.

Il calcolo si basa su:

• un livello target di nutriente,

• l'apporto di nutrienti disponibili per la pianta dal suolo,

• i nutrienti già applicati tramite operazioni precedenti (letame, fertilizzanti, digestato, ecc.).

Le operazioni di nutrienti applicati possono essere fornite come costanti, valori per zona, layer raster o qualsiasi combinazione di questi. Tutti gli input vengono risolti e aggregati automaticamente per zona.

Per impostazione predefinita, la dose richiesta viene calcolata come differenza tra il livello target di nutriente e la somma dell'apporto del suolo e dei nutrienti applicati. Il risultato viene restituito come mappa raster in cui ogni zona contiene una dose di nutriente uniforme.

convert_active_ingredient_and_product

# coefficiente di conversione ingrediente_attivo a prodotto e viceversa
corrected_coefficient = 1.5  # coefficiente costante
# OPPURE
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # coefficienti per pixel

# utilizzo
rates_as_products = geopard.convert_active_ingredient_and_product(
    layer, 
    corrected_coefficient
)

Questa funzione converte un layer raster tra dosi di ingrediente attivo e dosi di prodotto utilizzando un coefficiente di correzione.

Il corrected_coefficient può essere un singolo float (applicato a tutti i pixel) o una matrice di coefficienti (conversione per pixel). Viene tipicamente usata per tradurre i requisiti di nutrienti calcolati (ingrediente attivo) in dosi di prodotto effettive, 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 layer originale.

Conversione delle dosi di nutrienti in dosi di prodotto fertilizzante

Casi d'uso tipici

• Adeguamento delle mappe di applicazione in base alla concentrazione di nutrienti

• Preparazione delle mappe di prescrizione finali per le macchine

• estimate_texture_class_based_on_usda

usda_texture = geopard.estimate_texture_class_based_on_usda(

sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
    Questa funzione stima la texture del suolo secondo USDA per ogni pixel utilizzando le percentuali di sabbia, limo e argilla.
)

Fornisci tre layer raster in percentuale (0-100) che rappresentano le frazioni delle dimensioni delle particelle. 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, o undefined quando gli input non sono validi. estimate_texture_class_based_on_fao_wrb

fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(

Questa funzione stima la classe di texture del suolo FAO/WRB (ISO 11277) per ogni pixel basandosi sulle percentuali di sabbia, limo e argilla.
    silt_pct_layer,
    clay_pct_layer
    Questa funzione stima la texture del suolo secondo USDA per ogni pixel utilizzando le percentuali di sabbia, limo e argilla.
)

Codici di classe FAO/WRB come

nomi di classi USDA come S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, o undefined quando gli input non sono validi calculate_soil_bulk_density.

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Questa funzione calcola

la densità apparente del suolo (g/cm³) basata sulla classe di texture e sull'eventuale contenuto di sostanza organica del suolo (SOM) texture_class_layer.

Il dovrebbe contenere nomi di classi o codici prodotti dalla funzione di texture USDA o dalla funzione di texture FAO/WRB menzionate sopra. som_pct_layer

Se se fornito (in percentuale), la funzione aggiusta la densità apparente usando la SOM. Altrimenti, restituisce valori di densità apparente del suolo (g/cm³) associati alle classi di texture secondo le lookup USDA o FAO/WRB. som_pct_layer