カスタム関数のカタログ

これらの関数は複雑なPythonコードをカプセル化しており、高度なデータ操作や計算を容易に実装できます。

GeoPardは、方程式ベースの解析の可読性と機能性を向上させるためのカスタム関数カタログを提供します。これらの関数は複雑な処理をカプセル化し、 python コードにより、洗練されたデータ操作や計算を容易に実装できるようにします。

方程式を入力

方程式を入力してください

GeoPardプラットフォーム内でより直感的で保守しやすい方程式を作成するための、利用可能な事前構築関数の一覧は geopard パッケージに組み込まれています：

fill_gaps_with_k_neighbors

# input_data はデータセットの属性レイヤー（例：収量、NDVI）です
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

この関数はK-近傍アルゴリズムを使用してデータセット内の欠損値やゼロを復元します。次のパラメータを指定することで、 input_data 変数（選択した属性を持つデータセットとして）および近傍数 kを指定することで、欠損値をシームレスに補完し、データの連続性と整合性を確保できます。

この関数は、データの欠損が畑全体に分散しており、畑の特定の境界部分に偏っていない場合にうまく機能します。

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

この関数は2つのデータセット間でピクセルごとの類似性を計算するために使用します。変数 data_layer_1 と data_layer_2 は次を表すべきです： 同じ測定値 同じ単位 で意味のある比較を行うために。同じ単位であることが重要です。 データセットに関連付けられた変数を提供することで、0から1の範囲の値を持つ類似性マップを生成でき、比較研究やパターン認識に役立ちます。 data_layer_1 と 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)

この関数は、正規化された2つのデータセット間のピクセルごとの類似性を計算します。元のデータが異なるスケールや単位を持つ場合は正規化を推奨します。

これらのデータセットを入力として提供することで、0から1の範囲の値を持つ類似性マップが生成され、比較研究、パターン認識、および空間的一貫性分析に適します。 data_layer_1 と data_layer_2 determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

この関数は2つのデータセット間の低・高類似性を評価します。データセットに関連付けられた変数を入力することで、

low-low、low-high、high-low、high-highのような組み合わせを示すカテゴリ化された類似性マップを受け取り、詳細なデータ分類に有用です。 data_layer_1 と data_layer_2 get_value_for_zone

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

この関数は、単一ゾーン内のデータセット属性からすべての値を抽出するために使用します。次を提供してください：

data_layer （属性レイヤー）、 zones_layer （ゾーンマップ）、および zone_id （ゾーン番号）を指定して、そのゾーン内の収量、施肥量、種子投入量などの解析用の値を抽出します。 drop_value

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

この関数はデータセット属性から特定の値を除去することを可能にします。次を指定することで、

データセット属性に関連付けられた変数と （属性レイヤー）、 value_to_drop を数値として指定することで、結果からそれらを取り除き（技術的には不要な値を NaN に置き換え）、データセット属性データをクレンジングできます。).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

この関数でデータセット属性を効率的に正規化します。データセット属性に関連する変数を入力することで、データを0から1の標準化された範囲にスケーリングし、異なるデータセット間の比較や統合を容易にします。 （属性レイヤー）、 calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]

coefficients = [1.0, 1.0]  # 単位を保持するには1.0を使用、または製品濃度に応じて調整
total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

この関数は、面積あたりの総施肥量（例：kg/ha、l/ha、gal/acなどの単位）を計算します。次を提供することで、

application_list AppliedRate属性を持つデータセットと対応する active_ingredient_coefficient_list を肥料製品ごとに指定し、実際の総施肥量を単位（例：kg、l、galなど）で得ることができます。 calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]

nitrogen_coefficients = [0.46, 0.32]  # 各製品中の窒素分（有効成分）
N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

この関数はkg/ha単位で総施用窒素量を計算します。窒素製品に対する変換のために次を提供することで、実際の窒素量をkg/haに変換し、正確に総施用窒素を算出できます。これは農業計画や持続可能性評価に不可欠です。出力は

N_total_applied AppliedRate属性を持つデータセットと対応する active_ingredient_coefficient_list を肥料製品ごとに指定し、実際の総施肥量を単位（例：kg、l、galなど）で得ることができます。 として使用されます。 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
    この関数はkg/ha単位で窒素吸収量を算出します。次の項目を供給することで、
    yield_wet_tha
)

moisture_pct protein_pct, （収量データセットから）および, protein_crop_correction_coefficient （タンパク質と窒素吸収の関連を表す係数）を使って、作物生産における窒素利用効率を評価できます。出力は N_uptake として使用されます。 calculate_nitrogen_use_efficiency calculate_nitrogen_uptakeN_uptake = geopard.calculate_nitrogen_uptake( .

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

この関数を使用して、窒素利用効率をパーセンテージで評価します。前述の関数から得られる変数を入力することで、窒素施用の有効性を測定し、施肥の最適化に役立てることができます。

calculate_costs geopard.calculate_nitrogen_use_efficiency と calculate_nitrogen_use_efficiency rates = [seed_rate, fertilizer_rate]

prices = [1.2, 0.8] # 各レートレイヤーの単位当たり価格

costs = geopard.calculate_costs(rates, prices)
この関数は、施用レートと価格に基づいて総コストを計算します。次のような入力を提供することで、
application_rate_list

AppliedRate属性を持つデータセットの一覧と対応する price_per_unit_list を指定し、さまざまな農業活動に関連する支出を集計して予算管理や財務計画を支援できます。出力は costsとして使用されます。 geopard.calculate_profit calculate_nitrogen_uptakecalculate_revenue.

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

この関数は収量データセットから収入を計算します。次を入力することで、

yield_as_mass 収量データセットに関連付けられた属性と yield_price_per_unit を用いて、作物生産から得られる収入を推定し、経済評価を支援します。出力はcalculate_profit geopard.calculate_profit calculate_nitrogen_uptakecalculate_revenue .

profit = geopard.calculate_profit(revenue, costs)

この関数は、収入からコストを差し引いて利益を算出します。前の関数からの

revenue 変数を提供することで、農業事業の財務的な利得を簡単に計算でき、収益性分析や戦略的意思決定を支援します。 と geopard.calculate_profit fill_value_for_range

# 10から20の間の値のみを保持し、残りを0に置き換える

filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
この関数は、入力配列内の指定された範囲の値をフィルタリングします。次のものを提供することで、

input 配列を指定し、オプションの array 配列を指定し、オプションの およびオプションの min_value とオプションの max_value 閾値に基づいて、目的の範囲に含まれる値を抽出できます。 value_to_fill パラメータにより、範囲外の値を指定された値で置き換えることが可能で、データのフィルタリングや正規化処理を強化します。

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

この関数は、2つのデータセット間のピクセルごとの平均絶対誤差（MAE）を計算します。対応するピクセル値の差の大きさ（どちらが大きいかは無視した絶対差）を空間マップとして示します。

この関数は、差異が大きい領域を特定するのに役立ちます。

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

この関数は、2つのデータセット間で各ピクセルの相対偏差を計算し、その差をdataset_1の値に対する割合として表します。 dataset_1本質的には、あるピクセルの値が対応するdataset_1の値からどれだけ比例的に乖離しているかを示します。 dataset_1 この手法は、土壌特性、収量、リモートセンシングデータの変動を解析する際に特に有用で、顕著な比例差を持つ領域を迅速に検出できます。

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

この関数は一方のデータセットからもう一方を減算して差分マップを作成します。あるデータセットの値が他と比べて高い／低い領域を強調し、時間的な傾向や変化を見つけやすくします。

このツールは、土壌特性、収量、リモートセンシングデータの変動を可視化するのに特に有益で、さらなる解析や介入が必要な主要領域を迅速に特定するのに役立ちます。

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

この関数は、データセット間の差をdataset_2の値で正規化することで各ピクセルの相対差を計算します。これは変化がdataset_2の大きさに対してどれほど重要かを示します。

dataset_2 このような比例比較は、スケールの異なるデータセットを扱う際に特に有用で、土壌特性、収量、センサー出力の相対的な変化を明らかにします。この手法により、著しい変動がある領域を特定できます。calculate_normalized_difference このような比例比較は、スケールの異なるデータセットを扱う際に特に有用で、土壌特性、収量、センサー出力の相対的な変化を明らかにします。この手法により、著しい変動がある領域を特定できます。.

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

この関数は、両方のデータセットをグローバル最大値でスケーリングして各ピクセルの正規化差を計算します。この処理により、元々レンジが異なる場合でもデータセットを直接比較可能にします。

結果のマップは土壌特性、収量、リモートセンシングデータの変動を明確に示し、重要な差異を迅速に特定・評価することができます。

build_zones_by_intervals

# ゾーニングのための間隔

intervals = [

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

layer,
intervals
    この関数は、連続するラスター層をユーザー定義の値区間に基づいて分類し、管理ゾーンマップを作成します。 
    各区間がゾーンを定義し、各ピクセルはその値が該当する区間のゾーンに割り当てられます。いずれの区間にも該当しないピクセルは-1としてマークされます。
)

このゾーニング手法は、収量マップ、土壌特性、リモートセンシング指標を可変率施用のための実行可能な管理ゾーンに変換する際に一般的に使用されます。

典型的な使用例

収量、NDVI、または土壌レイヤーからの管理ゾーン作成

栄養素や施肥レート計算のためのゾーンマップ準備

• 意思決定のための均質ゾーンへの区画化

• calculate_nutrient_rate_as_active_ingredients_per_zone

• # target_nutrient のオプション

target_nutrient_option1 = 50 # 定数値

# または
target_nutrient_option2 = {1: 20, 2: 40} # ゾーンごとの辞書
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # 連続ラスター層
# applied_nutrient_operations のオプション
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # 連続ラスター層
applied_operations = [

5,                                      # operation1 は定数値として
{1: 2, 2: 4},                           # operation2 はゾーンごとの辞書として
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 は連続ラスター層として
    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 # または [] 
    この関数は、各管理ゾーンごとの必要な栄養素施用率（有効成分）を計算します。 
    計算は次に基づきます：
)

目標栄養レベル、

土壌からの作物利用可能な栄養供給、

• および既に過去の施用（肥料、堆肥、消化液など）によって供給された栄養素。

• 適用済みの栄養操作は、定数、ゾーンごとの値、ラスター層、またはこれらの任意の組み合わせとして提供できます。すべての入力は自動的に解決されゾーンごとに集約されます。

• デフォルトでは、必要施用率は目標栄養レベルと土壌供給および適用済み栄養の合計との差として計算されます。結果は各ゾーンに均一な栄養率が含まれるラスターマップとして返されます。

convert_active_ingredient_and_product

# 有効成分と製品の相互変換の係数

corrected_coefficient = 1.5 # 定数係数

corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # ピクセルごとの係数
rates_as_products = geopard.convert_active_ingredient_and_product(
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # 連続ラスター層
corrected_coefficient

layer,
この関数は、ラスター層を
    この関数は、連続するラスター層をユーザー定義の値区間に基づいて分類し、管理ゾーンマップを作成します。 
    有効成分率と製品率の間で
)

補正係数を用いて変換します。 係数は単一の float

その 有効成分率と製品率の間で （すべてのピクセルに適用）であるか、ピクセルごとの変換を行う係数 マトリックス である可能性があります。通常は計算された栄養要求量（有効成分）を肥料組成や栄養濃度に基づいて実際の製品施用率に変換する、またはその逆に使用されます。 変換はピクセル単位で適用され、元のレイヤーの空間構造を保持します。 栄養率を肥料製品率に変換すること

栄養濃度に基づいて施用マップを調整すること

栄養素や施肥レート計算のためのゾーンマップ準備

• 機械向けの最終処方マップを準備すること

• estimate_texture_class_based_on_usda

• usda_texture = geopard.estimate_texture_class_based_on_usda(

sand_pct_layer,

silt_pct_layer,
    clay_pct_layer
    この関数は、砂、シルト、粘土の割合を用いて各ピクセルのUSDA土壌テクスチャを推定します。
    粒径別割合をパーセント（0-100）で示す3つのラスター層を提供してください。出力は
)

砂、ローミーサンド、サンディーローム、ローム、シルトローム、サンディークレイローム、クレイローム、シルティークレイローム、シルティークレイ、または無効時は未定義

のようなUSDAクラス名になります。 estimate_texture_class_based_on_fao_wrb fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb( この関数は、砂、シルト、粘土の割合を用いて各ピクセルのFAO/WRB（ISO 11277）土壌テクスチャクラスを推定します。

出力はFAO/WRBのクラスコード（例：

S、LS、SL、L、SiL、Si、SCL、CL、SiCL、SC、SiC、C、HC、または無効時は未定義
    clay_pct_layer
    この関数は、砂、シルト、粘土の割合を用いて各ピクセルのUSDA土壌テクスチャを推定します。
    粒径別割合をパーセント（0-100）で示す3つのラスター層を提供してください。出力は
)

）となります。

のようなUSDAクラス名になります。 calculate_soil_bulk_density bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer) この関数は、テクスチャクラスと任意の土壌有機物（SOM）に基づいて.

土壌のバルク密度（g/cm³）を計算します。

texture_class_layer

は上記の USDAテクスチャ関数.

その または FAO/WRBテクスチャ関数 によって生成されたクラス名またはコードを含むべきです。 もし som_pct_layer が提供される（パーセント）場合、関数はSOMを用いてバルク密度を調整します。提供されない場合は、USDAまたはFAO/WRBのルックアップに従ったテクスチャクラスに関連付けられた土壌バルク密度（g/cm³）値を返します。

もし som_pct_layer （注：上記の最後の項目は元のエントリのまま、対応する説明内で既に言及されています。）