Pasirinktinių funkcijų katalogas

Šios funkcijos apjungia sudėtingą Python kodą, leidžiantį lengvai įgyvendinti sudėtingus duomenų apdorojimus ir skaičiavimus.

GeoPard siūlo išsamų pasirinktinių funkcijų katalogą, skirtą pagerinti lygtimis pagrįstos analizės skaitomumą ir funkcionalumą. Šios funkcijos apima sudėtingas python kodo dalis, leidžiančias lengvai įgyvendinti sudėtingas duomenų manipuliacijas ir skaičiavimus.

Įvesti lygtį

Įveskite lygtį

Galimų iš anksto sukurtų funkcijų sąrašas, skirtas kurti intuityvesnes ir lengviau prižiūrimas lygtis GeoPard, pateikiamas geopard pakete:

fill_gaps_with_k_neighbors

# input_data yra Dataset atributo sluoksnis (pvz., derlius, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Ši funkcija atkuria duomenų spragas arba nulius duomenų rinkinyje naudodama K artimiausių kaimynų algoritmą. Nurodydami input_data kintamąjį (kaip Dataset su pasirinktu atributu) ir kaimynų skaičių k, galite sklandžiai užpildyti trūkstamas reikšmes, užtikrindami duomenų tęstinumą ir vientisumą.

Ši funkcija gerai veikia, kai duomenų spragos pasiskirsčiusios po visą lauką ir nėra sutelktos į kurią nors konkrečią lauko ribos dalį.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Naudokite šią funkciją, kad apskaičiuotumėte pikselių lygio panašumą tarp dviejų Dataset. Kintamieji data_layer_1 ir data_layer_2 turėtų reikšti tą patį matavimą tais pačiais vienetais kad palyginimas būtų prasmingas. Pateikdami kintamuosius data_layer_1 ir data_layer_2 susietus su Dataset, galite sugeneruoti panašumo žemėlapį, kurio reikšmės svyruoja nuo 0 iki 1, taip palengvindami lyginamuosius tyrimus ir dėsningumų atpažinimą.

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)

Naudokite šią funkciją, kad apskaičiuotumėte pikselių lygio panašumą tarp dviejų normalizuotų duomenų rinkinių. Normalizavimas rekomenduojamas, kai pradiniai data_layer_1 ir data_layer_2 turi skirtingas skales arba vienetus. Pateikus šiuos duomenų rinkinius kaip įvestį, funkcija sugeneruoja panašumo žemėlapį, kurio reikšmės yra nuo 0 iki 1, todėl jis tinka lyginamiesiems tyrimams, dėsningumų atpažinimui ir erdvinei nuoseklumo analizei.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Ši funkcija įvertina žemo–aukšto panašumą tarp dviejų Dataset. Pateikę su Dataset susietus kintamuosius data_layer_1 ir data_layer_2 gaunate suskirstytą panašumo žemėlapį, rodantį derinius, tokius kaip žemas–žemas, žemas–aukštas, aukštas–žemas ir aukštas–aukštas, o tai naudinga niuansuotai duomenų klasifikacijai.

get_value_for_zone

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

Naudokite šią funkciją, kad ištrauktumėte visas reikšmes iš Dataset atributo vienoje zonoje. Pateikite data_layer (atributo sluoksnį), zones_layer (zonų žemėlapį), ir zone_id (zonos numerį), kad izoliuotumėte reikšmes analizei, pvz., derliui, tręšimo normai ar sėjos normai toje zonoje.

drop_value

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

Ši funkcija leidžia pašalinti konkrečias reikšmes iš duomenų rinkinio atributo. Nurodydami data_layer ir value_to_drop, galite išvalyti duomenų rinkinį pašalindami tas reikšmes iš rezultato, techniškai jas pakeisdami NaN.

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normalizuokite duomenų rinkinio atributą naudodami šią funkciją. Pateikdami data_layer, galite mastelinti duomenis į standartizuotą nuo 0 iki 1 diapazoną, taip palengvindami skirtingų duomenų rinkinių palyginimą ir integravimą.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # naudokite 1.0, kad išlaikytumėte vienetus, arba pakoreguokite pagal produkto koncentraciją

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Apskaičiuokite bendrą panaudotų trąšų kiekį vienetais ploto vienetui (pavyzdžiui, kg/ha, l/ha, gal/ac ir kt.). Pateikdami application_list Dataset su AppliedRate atributais ir atitinkamą active_ingredient_coefficient_list su trąšų produktais, gausite faktinį bendrą panaudotų trąšų kiekį vienetais (pavyzdžiui, kg, l, gal ir kt.).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # N frakcija (veiklioji medžiaga) kiekviename produkte

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Apskaičiuokite bendrą panaudoto azoto kiekį kg/ha naudodami šią funkciją. Pateikdami application_list Dataset su AppliedRate atributais ir atitinkamą active_ingredient_coefficient_list su azoto produktais, kad faktinį azotą konvertuotumėte į kg/ha, galite tiksliai apskaičiuoti bendrą panaudotą azoto kiekį, kuris yra būtinas žemės ūkio planavimui ir tvarumo vertinimams. Rezultatas naudojamas kaip N_total_applied programojegeopard.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
)

Nustatykite azoto įsisavinimą kg/ha naudodami šią funkciją. Pateikdami yield_wet_tha, moisture_pct, protein_pct iš Derliaus duomenų rinkinio ir protein_crop_correction_coefficient reiškiantį baltymo ryšį su azoto įsisavinimu, galite įvertinti azoto naudojimo efektyvumą augalininkystėje. Rezultatas naudojamas kaip N_uptake programojegeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Įvertinkite azoto naudojimo efektyvumą procentais naudodami šią funkciją. Įvesdami N_total_applied ir N_uptake kintamuosius (iš ankstesnių funkcijų), galite įvertinti azoto tręšimo veiksmingumą, padėdami optimizuoti trąšų naudojimą.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # kaina už vienetą kiekvienam normos sluoksniui
costs = geopard.calculate_costs(rates, prices)

Apskaičiuokite bendras sąnaudas pagal tręšimo normas ir kainas naudodami šią funkciją. Pateikdami application_rate_list iš Dataset su AppliedRate atributais ir atitinkamą price_per_unit_list, galite apibendrinti išlaidas, susijusias su įvairia žemės ūkio veikla, palaikydami biudžeto valdymą ir finansinį planavimą. Rezultatas naudojamas kaip costs programojegeopard.calculate_profit.

calculate_revenue

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

Apskaičiuokite pajamas iš Derliaus duomenų rinkinio naudodami šią funkciją. Įvesdami yield_as_mass susietą su Derliaus duomenų rinkinio atributu ir yield_price_per_unit, galite įvertinti pajamas, gaunamas iš augalinės produkcijos, palengvindami ekonominius vertinimus. Rezultatas naudojamas kaip costs programojegeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Nustatykite pelną atimdami sąnaudas iš pajamų naudodami šią funkciją. Pateikdami revenue ir costs kintamuosius (iš ankstesnių funkcijų), galite lengvai apskaičiuoti finansinį pelną iš savo žemės ūkio veiklos, palaikydami pelningumo analizę ir strateginių sprendimų priėmimą.

fill_value_for_range

# palikti tik reikšmes tarp 10 ir 20, likusias pakeisti 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Ši funkcija filtruoja reikšmes nurodytame diapazone įvesties masyve . Pateikdami masyve masyvą kartu su pasirenkamomis min_value ir pasirenkamomis max_value ribomis, galite izoliuoti reikšmes, patenkančias į norimą intervalą. Parametras value_to_fill leidžia pakeisti už intervalo ribų esančias reikšmes nurodyta reikšme, taip pagerinant duomenų filtravimo ir normalizavimo procesus.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Naudokite šią funkciją, kad apskaičiuotumėte vidutinę absoliučią paklaidą (MAE) kiekvienam pikseliui tarp dviejų duomenų rinkinių. Ji pateikia erdvinį absoliučių skirtumų žemėlapį. „Absoliutus skirtumas“ yra tiesiog tarpo tarp atitinkamų pikselių reikšmių dydis, neatsižvelgiant į tai, kuri reikšmė yra didesnė ar mažesnė.

Funkcija padeda nustatyti sritis, kuriose skirtumai didesni.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Ši funkcija apskaičiuoja santykinį nuokrypį kiekvienam pikseliui tarp dviejų duomenų rinkinių, išreikšdama skirtumą kaip reikšmės dataset_1procentą. Iš esmės ji rodo, kiek vieno pikselio reikšmė nukrypsta nuo atitinkamos reikšmės dataset_1 proporcine prasme.

Šis metodas ypač naudingas analizuojant dirvožemio savybių, derliaus ar nuotolinio stebėjimo duomenų pokyčius, nes padeda greitai pastebėti sritis, kuriose yra reikšmingi proporciniai skirtumai.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Ši funkcija atima vieną duomenų rinkinį iš kito, kad sukurtų skirtumo žemėlapį. Ji išryškina sritis, kuriose vieno duomenų rinkinio reikšmės yra didesnės arba mažesnės, palyginti su kitu, todėl lengviau pastebėti tendencijas ir pokyčius laikui bėgant.

Šis įrankis ypač naudingas vizualizuojant dirvožemio savybių, derliaus ar nuotolinio stebėjimo duomenų kitimą, padedant greitai nustatyti sritis, kurioms gali reikėti tolesnės analizės ar intervencijos.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Ši funkcija apskaičiuoja santykinį skirtumą kiekvienam pikseliui, normalizuodama skirtumą tarp duomenų rinkinių naudojant reikšmes iš dataset_2. Tai reiškia, kad ji parodo, koks reikšmingas pokytis yra santykyje su dataset_2.

Toks proporcinis palyginimas ypač naudingas dirbant su skirtingo mastelio duomenų rinkiniais, padedant atskleisti santykinius dirvožemio savybių, derliaus ar jutiklių išvesties pokyčius. Šis metodas padeda nustatyti sritis, kuriose pokyčiai ryškūs.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Ši funkcija apskaičiuoja normalizuotą skirtumą kiekvienam pikseliui, masteliuodama abu duomenų rinkinius pagal jų globalią didžiausią reikšmę. Šis procesas leidžia tiesiogiai palyginti duomenų rinkinius net tada, kai jų pradiniai diapazonai skiriasi.

Gautas žemėlapis suteikia aiškų dirvožemio savybių, derliaus ir nuotolinio stebėjimo duomenų kitimo vaizdą, leidžiantį greitai nustatyti ir įvertinti pagrindinius skirtumus.

build_zones_by_intervals

# intervalai zonavimui
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Ši funkcija sukuria valdymo zonų žemėlapį, suskirstydama tolydų rastrinį sluoksnį į diskrečias zonas pagal vartotojo nustatytus reikšmių intervalus.

Kiekvienas intervalas apibrėžia zoną, ir kiekvienas pikselis priskiriamas tai zonai, į kurios reikšmių diapazoną jis patenka. Pikseliai, neatitinkantys jokio intervalo, pažymimi kaip -1.

Šis zonavimo būdas dažniausiai naudojamas derliaus žemėlapiams, dirvožemio savybėms ar nuotolinio stebėjimo indeksams paversti praktiškomis valdymo zonomis kintamos normos taikymui.

Tipiniai naudojimo atvejai

• Valdymo zonų kūrimas iš derliaus, NDVI ar dirvožemio sluoksnių

• Zonų žemėlapių parengimas tręšimo ar sėjos normų skaičiavimams

• Laukų suskirstymas į homogeniškas zonas sprendimų priėmimui

calculate_nutrient_rate_as_active_ingredients_per_zone

# tikslinės maistinės medžiagos parinktys
target_nutrient_option1 = 50 # pastovus skaičius
# ARBA
target_nutrient_option2 = {1: 20, 2: 40} # reikšmės pagal zoną žodyne
# ARBA
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # tolydus rastrinis sluoksnis

# pritaikytų maistinių medžiagų operacijų parinktys
applied_operations = [
    5,                                      # operacija1 kaip pastovus skaičius
    {1: 2, 2: 4},                           # operacija2 kaip reikšmės pagal zoną žodyne
    np.array([[1, 1], [2, 3]], dtype=float) # operacija3 kaip tolydus rastrinis sluoksnis
]

# naudojimas
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 # arba []
)

Ši funkcija apskaičiuoja reikalingą maistinės medžiagos tręšimo normą (veikliosios medžiagos kiekį) kiekvienai valdymo zonai.

Skaičiavimas pagrįstas:

• tiksliniu maistinės medžiagos lygiu,

• augalams prieinama maistinės medžiagos atsarga iš dirvožemio,

• jau panaudotomis maistinėmis medžiagomis iš ankstesnių operacijų (mėšlas, trąšos, digestatas ir kt.).

Panaudotos maistinių medžiagų operacijos gali būti pateiktos kaip konstantos, reikšmės pagal zonas, rastriniai sluoksniai arba bet koks šių variantų derinys. Visi įvadai automatiškai išsprendžiami ir apibendrinami pagal zoną.

Pagal numatymą reikalinga norma apskaičiuojama kaip skirtumas tarp tikslinio maistinės medžiagos lygio ir dirvožemio atsargos bei panaudotų maistinių medžiagų sumos. Rezultatas grąžinamas kaip rastrinis žemėlapis, kuriame kiekviena zona turi vienodą maistinės medžiagos normą.

convert_active_ingredient_and_product

# konversijos koeficientas iš veikliosios medžiagos į produktą ir atvirkščiai
corrected_coefficient = 1.5  # pastovus koeficientas
# ARBA
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # koeficientai kiekvienam pikseliui

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

Ši funkcija konvertuoja rastrinį sluoksnį tarp veikliosios medžiagos normų ir produkto normų naudodama korekcijos koeficientą.

The corrected_coefficient gali būti vienas float (taikomas visiems pikseliams) arba koeficientų matrica (konversija kiekvienam pikseliui). Paprastai ji naudojama apskaičiuotiems maistinių medžiagų poreikiams (veiklioji medžiaga) paversti faktinėmis produkto tręšimo normomis arba atvirkščiai, remiantis trąšų sudėtimi ar maistinės medžiagos koncentracija.

Konversija taikoma pikselis po pikselio, išsaugant pradinio sluoksnio erdvinę struktūrą.

Tipiniai naudojimo atvejai

• Maistinių medžiagų normų konvertavimas į trąšų produkto normas

• Tręšimo žemėlapių koregavimas pagal maistinių medžiagų koncentraciją

• Galutinių receptinių žemėlapių parengimas technikai

estimate_texture_class_based_on_usda

usda_texture = geopard.estimate_texture_class_based_on_usda(
    sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
)

Ši funkcija įvertina USDA dirvožemio tekstūros klasę kiekvienam pikseliui, naudodama smėlio, dulkių ir molio procentus.

Pateikite tris procentinius (0–100) rastrinius sluoksnius, kurie atspindi dalelių dydžio frakcijas. Rezultatas yra USDA klasių pavadinimai, tokie kaip sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay arba undefined kai įvadai netinkami.

estimate_texture_class_based_on_fao_wrb

fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(
    sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
)

Ši funkcija įvertina FAO/WRB (ISO 11277) dirvožemio tekstūros klasę kiekvienam pikseliui pagal smėlio, dulkių ir molio procentus.

Pateikite tris procentinius (0–100) rastrinius sluoksnius, kurie atspindi dalelių dydžio frakcijas. Rezultatas yra FAO/WRB klasių kodai, tokie kaip S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC arba undefined kai įvadai netinkami.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Ši funkcija apskaičiuoja dirvožemio tūrinį tankį (g/cm³) pagal tekstūros klasę ir pasirenkamą dirvožemio organinės medžiagos (SOM).

The texture_class_layer turėtų turėti klasių pavadinimus arba kodus, sugeneruotus USDA tekstūros funkcijos arba FAO/WRB tekstūros funkcijos paminėtos aukščiau.

Jei som_pct_layer pateiktas kaip procentinė reikšmė, funkcija pakoreguoja tūrinį tankį naudojant SOM. Kitu atveju ji grąžina dirvožemio tūrinio tankio reikšmes g/cm³, susietas su tekstūros klasėmis pagal USDA arba FAO/WRB lentelę.