Pielāgoto funkciju katalogs

Šīs funkcijas iekapsulē sarežģītu Python kodu, ļaujot viegli īstenot sarežģītas datu manipulācijas un aprēķinus.

GeoPard piedāvā visaptverošu pielāgotu funkciju katalogu, kas paredzēts, lai uzlabotu uz vienādojumiem balstītas analītikas lasāmību un funkcionalitāti. Šīs funkcijas ietver sarežģītu python kodu, ļaujot jums viegli īstenot sarežģītas datu manipulācijas un aprēķinus.

Ievadiet vienādojumu

Ievadiet vienādojumu

Pieejamo iepriekš izveidoto funkciju saraksts intuitīvāku un vieglāk uzturamu vienādojumu veidošanai GeoPard ir iekļauts geopard pakotnē:

fill_gaps_with_k_neighbors

# input_data ir Datu kopas atribūta slānis (piem., raža, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Šī funkcija atjauno datu plaisas vai nulles datu kopā, izmantojot K-kaimiņu algoritmu. Norādot input_data mainīgo (kā Datu kopu ar atlasīto atribūtu) un kaimiņu skaitu k, jūs varat nemanāmi aizpildīt trūkstošās vērtības, nodrošinot datu nepārtrauktību un integritāti.

Šī funkcija labi darbojas, ja datu plaisas ir izkliedētas pa lauku un nav koncentrētas kādā noteiktā lauka robežas daļā.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Izmantojiet šo funkciju, lai aprēķinātu pikseļa līmeņa līdzību starp divām Datu kopām. Mainīgajiem data_layer_1 un data_layer_2 jāatspoguļo tas pats mērījums tādās pašās mērvienībās lai nodrošinātu jēgpilnu salīdzinājumu. Norādot mainīgos data_layer_1 un data_layer_2 kas saistīti ar Datu kopām, jūs varat ģenerēt līdzības karti ar vērtībām no 0 līdz 1, atvieglojot salīdzinošos pētījumus un rakstu atpazīšanu.

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)

Izmantojiet šo funkciju, lai aprēķinātu pikseļa līmeņa līdzību starp divām normalizētām datu kopām. Normalizācija ir ieteicama, ja sākotnējās data_layer_1 un data_layer_2 ir dažādas skalas vai mērvienības. Norādot šīs datu kopas kā ievadi, funkcija ģenerē līdzības karti ar vērtībām no 0 līdz 1, padarot to piemērotu salīdzinošiem pētījumiem, rakstu atpazīšanai un telpiskās konsekvences analīzei.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Šī funkcija novērtē zema-augsta līdzību starp divām Datu kopām. Ievadot mainīgos data_layer_1 un data_layer_2 kas saistīti ar Datu kopām, jūs saņemat kategorizētu līdzības karti, kas norāda kombinācijas, piemēram, zems-zems, zems-augsts, augsts-zems un augsts-augsts, kas ir noderīgi niansētai datu klasifikācijai.

get_value_for_zone

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

Izmantojiet šo funkciju, lai iegūtu visas vērtības no Datu kopas atribūta vienā zonā. Norādiet data_layer (atribūta slāni), zones_layer (zonu karti) un zone_id (zonas numuru), lai izolētu vērtības analīzei, piemēram, ražu, lietošanas normu vai sējas normu šajā zonā.

drop_value

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

Šī funkcija ļauj noņemt noteiktas vērtības no datu kopas atribūta. Norādot data_layer un value_to_drop, jūs varat attīrīt datu kopu, izslēdzot šīs vērtības no rezultāta, tehniski aizstājot tās ar NaN.

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normalizējiet datu kopas atribūtu ar šo funkciju. Norādot data_layer, jūs varat mērogot datus standartizētā diapazonā no 0 līdz 1, padarot salīdzināšanu un integrāciju starp dažādām datu kopām vienkāršāku.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # izmantojiet 1.0, lai saglabātu mērvienības, vai pielāgojiet atbilstoši produkta koncentrācijai

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Aprēķiniet kopējo izlietoto mēslojumu vienībās uz platību (piemēram, kg/ha, l/ha, gal/ac utt.). Norādot application_list Datu kopas ar AppliedRate atribūtiem un atbilstošiem active_ingredient_coefficient_list ar mēslojuma produktiem, lai iegūtu faktisko kopējo izlietoto mēslojumu vienībās (piemēram, kg, l, gal utt.).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # N daļa (aktīvā viela) katrā produktā

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Aprēķiniet kopējo izlietoto slāpekli kg/ha, izmantojot šo funkciju. Norādot application_list Datu kopas ar AppliedRate atribūtiem un atbilstošiem active_ingredient_coefficient_list ar slāpekļa produktiem, lai pārvērstu faktisko slāpekli uz kg/ha, jūs varat precīzi aprēķināt kopējo izlietoto slāpekli, kas ir būtiski lauksaimniecības plānošanai un ilgtspējas novērtēšanai. Izvade tiek izmantota kā N_total_applied iekšgeopard.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
)

Nosakiet slāpekļa uzņemšanu kg/ha ar šo funkciju. Norādot yield_wet_tha, moisture_pct, protein_pct no Ražas datu kopas un protein_crop_correction_coefficient kas atspoguļo saistību starp proteīnu un slāpekļa uzņemšanu, jūs varat novērtēt slāpekļa izmantošanas efektivitāti kultūraugu ražošanā. Izvade tiek izmantota kā N_uptake iekšgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Novērtējiet slāpekļa izmantošanas efektivitāti procentos, izmantojot šo funkciju. Ievadot N_total_applied un N_uptake mainīgos (no iepriekšējām funkcijām), jūs varat izmērīt slāpekļa lietošanas efektivitāti, palīdzot optimizēt mēslojuma izmantošanu.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # cena par vienību katram normas slānim
costs = geopard.calculate_costs(rates, prices)

Aprēķiniet kopējās izmaksas, pamatojoties uz izkliedes normām un cenām, izmantojot šo funkciju. Norādot application_rate_list Datu kopu sarakstu ar AppliedRate atribūtiem un atbilstošu price_per_unit_list, jūs varat summēt izmaksas, kas saistītas ar dažādām lauksaimniecības darbībām, atbalstot budžeta pārvaldību un finanšu plānošanu. Izvade tiek izmantota kā costs iekšgeopard.calculate_profit.

calculate_revenue

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

Aprēķiniet ieņēmumus no Ražas datu kopas, izmantojot šo funkciju. Ievadot yield_as_mass kas saistīts ar Ražas datu kopas atribūtu, un yield_price_per_unit, jūs varat novērtēt ienākumus, kas gūti no kultūraugu ražošanas, atvieglojot ekonomiskos izvērtējumus. Izvade tiek izmantota kā costs iekšgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Nosakiet peļņu, atņemot izmaksas no ieņēmumiem, izmantojot šo funkciju. Norādot revenue un costs mainīgos (no iepriekšējām funkcijām), jūs varat viegli aprēķināt finanšu ieguvumu no savām lauksaimniecības darbībām, atbalstot rentabilitātes analīzi un stratēģisku lēmumu pieņemšanu.

fill_value_for_range

# saglabāt tikai vērtības no 10 līdz 20, pārējās aizstāt ar 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Šī funkcija filtrē vērtības noteiktā diapazonā input masīvā. Norādot input array kopā ar neobligātu min_value un neobligātu max_value slieksni, jūs varat izolēt vērtības, kas ietilpst vēlamajā diapazonā. Parametrs ļauj aizstāt ārpus diapazona esošās vērtības ar norādītu vērtību, uzlabojot datu filtrēšanas un normalizācijas procesus.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Izmantojiet šo funkciju, lai aprēķinātu vidējo absolūto kļūdu (MAE) katram pikselim starp divām datu kopām. Tā nodrošina absolūto atšķirību telpisko karti. “Absolūtā atšķirība” ir vienkārši starpības lielums starp atbilstošajām pikseļu vērtībām, neņemot vērā, kura ir lielāka vai mazāka.

Funkcija palīdz identificēt zonas ar lielākām neatbilstībām.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Šī funkcija aprēķina relatīvo novirzi katram pikselim starp divām datu kopām, izsakot atšķirību procentos no vērtības dataset_1. Būtībā tā parāda, cik daudz viena pikseļa vērtība novirzās no atbilstošās vērtības dataset_1 proporcionālā izteiksmē.

Šī pieeja ir īpaši vērtīga, analizējot augsnes īpašību, kultūraugu ražas vai tālizpētes datu variācijas, jo tā palīdz ātri pamanīt apgabalus ar būtiskām proporcionālām atšķirībām.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Šī funkcija atņem vienu datu kopu no otras, lai izveidotu atšķirību karti. Tā izceļ zonas, kur vienas datu kopas vērtības ir augstākas vai zemākas salīdzinājumā ar otru, padarot vieglāk pamanāmas tendences un izmaiņas laika gaitā.

Šis rīks ir īpaši noderīgs, lai vizualizētu augsnes īpašību, kultūraugu ražas vai tālizpētes datu izmaiņas, palīdzot ātri identificēt zonas, kurām var būt nepieciešama turpmāka analīze vai iejaukšanās.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Šī funkcija aprēķina relatīvo atšķirību katram pikselim, normalizējot starpību starp datu kopām, izmantojot vērtības no dataset_2. Tas nozīmē, ka tā parāda, cik nozīmīgas ir izmaiņas attiecībā pret dataset_2.

Šāds proporcionāls salīdzinājums ir īpaši noderīgs, strādājot ar dažādu mērogu datu kopām, palīdzot atklāt relatīvas izmaiņas augsnes īpašībās, kultūraugu ražās vai sensoru datos. Šī pieeja palīdz noteikt zonas ar ievērojamām variācijām.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Šī funkcija aprēķina normalizēto atšķirību katram pikselim, mērogojot abas datu kopas pret to globālo maksimālo vērtību. Šis process padara datu kopas tieši salīdzināmas, pat ja tām sākotnēji ir atšķirīgi diapazoni.

Rezultējošā karte sniedz skaidru priekšstatu par augsnes īpašību, kultūraugu ražas un tālizpētes datu variācijām, ļaujot ātri identificēt un novērtēt būtiskās atšķirības.

build_zones_by_intervals

# intervāli zonēšanai
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Šī funkcija izveido apsaimniekošanas zonu karti, klasificējot nepārtrauktu rastra slāni diskrētās zonās, pamatojoties uz lietotāja definētiem vērtību intervāliem.

Katrs intervāls definē zonu, un katrs pikselis tiek piešķirts zonai, kuras vērtību diapazonā tas ietilpst. Pikseļi, kas neatbilst nevienam intervālam, tiek atzīmēti ar -1.

Šo zonēšanas pieeju parasti izmanto, lai pārvērstu ražas kartes, augsnes īpašības vai tālizpētes indeksus praktiski izmantojamās apsaimniekošanas zonās mainīgas normas lietojumiem.

Tipiski lietošanas gadījumi

• Apsaimniekošanas zonu izveide no ražas, NDVI vai augsnes slāņiem

• Zonu karšu sagatavošana barības vielu vai sējas normas aprēķiniem

• Lauku sadalīšana viendabīgās zonās lēmumu pieņemšanai

calculate_nutrient_rate_as_active_ingredients_per_zone

# target_nutrient opcijas
target_nutrient_option1 = 50 # konstants skaitlis
# VAI
target_nutrient_option2 = {1: 20, 2: 40} # vārdnīca pa zonām
# VAI
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # nepārtraukts rastra slānis

# applied_nutrient_operations opcijas
applied_operations = [
    5,                                      # operation1 kā konstants skaitlis
    {1: 2, 2: 4},                           # operation2 kā vārdnīca pa zonām
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 kā nepārtraukts rastra slānis
]

# lietojums
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 # vai []
)

Šī funkcija aprēķina nepieciešamo barības vielu izkliedes normu (aktīvā viela) katrai apsaimniekošanas zonai.

Aprēķins balstās uz:

• mērķa barības vielu līmeni,

• augiem pieejamo barības vielu nodrošinājumu no augsnes,

• barības vielām, kas jau iestrādātas iepriekšējās darbībās (kūtsmēsli, minerālmēsli, digestāts utt.).

Izlietotās barības vielu darbības var norādīt kā konstantes, vērtības pa zonām, rastra slāņus vai jebkuru šo variantu kombināciju. Visas ievades tiek automātiski interpretētas un summētas pa zonām.

Pēc noklusējuma nepieciešamā norma tiek aprēķināta kā starpība starp mērķa barības vielu līmeni un augsnes nodrošinājuma un izlietoto barības vielu summu. Rezultāts tiek atgriezts kā rastra karte, kur katra zona satur vienmērīgu barības vielu normu.

convert_active_ingredient_and_product

# pārrēķina koeficients no aktīvās vielas uz produktu un otrādi
corrected_coefficient = 1.5  # konstants koeficients
# VAI
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # koeficienti katram pikselim

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

Šī funkcija pārvērš rastra slāni starp aktīvās vielas normām un produkta normām izmantojot korekcijas koeficientu.

Šis corrected_coefficient var būt viens float (pielietots visiem pikseļiem) vai koeficientu matrica (pārrēķins katram pikselim). To parasti izmanto, lai pārvērstu aprēķinātās barības vielu vajadzības (aktīvā viela) faktiskajās produkta izkliedes normās vai otrādi, pamatojoties uz mēslojuma sastāvu vai barības vielu koncentrāciju.

Pārrēķins tiek veikts katram pikselim atsevišķi, saglabājot sākotnējā slāņa telpisko struktūru.

Tipiski lietošanas gadījumi

• Barības vielu normu pārrēķināšana uz mēslojuma produkta normām

• Izkliedes karšu pielāgošana, pamatojoties uz barības vielu koncentrāciju

• Galīgo uzdevumkaršu sagatavošana tehnikai

estimate_texture_class_based_on_usda

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

Šī funkcija novērtē USDA augsnes tekstūru katram pikselim, izmantojot smilts, putekļu un māla procentuālo saturu.

Norādiet trīs rastra slāņus procentos (0-100), kas attēlo daļiņu izmēru frakcijas. Izvade ir USDA klašu nosaukumi, piemēram, sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay vai undefined ja ievades dati nav derīgi.

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
)

Šī funkcija novērtē FAO/WRB (ISO 11277) augsnes tekstūras klasi katram pikselim, pamatojoties uz smilts, putekļu un māla procentuālo saturu.

Norādiet trīs rastra slāņus procentos (0-100), kas attēlo daļiņu izmēru frakcijas. Izvade ir FAO/WRB klašu kodi, piemēram, S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC vai undefined ja ievades dati nav derīgi.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Šī funkcija aprēķina augsnes tilpummasu (g/cm³), pamatojoties uz tekstūras klasi un neobligāto augsnes organisko vielu (SOM) saturu.

Šis texture_class_layer jāsatur klašu nosaukumi vai kodi, ko ģenerējusi USDA tekstūras funkcija vai FAO/WRB tekstūras funkcija kas minēta iepriekš.

Ja som_pct_layer ir norādīts procentos, funkcija pielāgo tilpummasu, izmantojot SOM. Pretējā gadījumā tā atgriež augsnes tilpummasas vērtības g/cm³, kas saistītas ar tekstūras klasēm saskaņā ar USDA vai FAO/WRB uzmeklēšanas tabulu.