Catalogus van aangepaste functies

Deze functies kapselen complexe Python-code in, zodat u geavanceerde datamanipulaties en berekeningen eenvoudig kunt implementeren.

GeoPard biedt een uitgebreide Catalogus van Aangepaste Functies ontworpen om de leesbaarheid en functionaliteit van op vergelijkingen gebaseerde analyses te verbeteren. Deze functies kapselen complexe python code in, zodat u geavanceerde datamanipulaties en berekeningen eenvoudig kunt implementeren.

Voer Vergelijking in

Voer een Vergelijking in

De lijst met beschikbare vooraf gebouwde functies om meer intuïtieve en onderhoudbare Vergelijkingen binnen het GeoPard-platform te creëren is opgenomen in het geopard pakket:

fill_gaps_with_k_neighbors

# input_data is een Dataset-attribuutlaag (bijv. Opbrengst, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Deze functie herstelt datagaten of nullen in een dataset met behulp van het K-Neighbors-algoritme. Door het specificeren van de input_data variabele (als Dataset met de geselecteerde attribuutwaarde) en het aantal buren kkunt u moeiteloos ontbrekende waarden opvullen, waardoor continuïteit en integriteit van de gegevens gewaarborgd worden.

Deze functie werkt goed wanneer datagaten over het veld zijn verdeeld en niet geconcentreerd zijn in een specifiek deel van de veldgrens.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Gebruik deze functie om de overeenkomst per pixel tussen twee Datasets te berekenen. De variabelen data_layer_1 en data_layer_2 moeten de zelfde meting in de zelfde eenheden representeren om een zinvolle vergelijking te garanderen. Door variabelen te leveren data_layer_1 en data_layer_2 die gekoppeld zijn aan Datasets, kunt u een overeenkomstkaart genereren met waarden van 0 tot 1, wat vergelijkende studies en patroonherkenning vergemakkelijkt.

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)

Gebruik deze functie om de overeenkomst per pixel tussen twee genormaliseerde datasets te berekenen. Normalisatie wordt aanbevolen wanneer de originele data_layer_1 en data_layer_2 verschillende schalen of eenheden hebben. Door deze datasets als invoer te leveren, genereert de functie een overeenkomstkaart met waarden van 0 tot 1, waardoor het geschikt is voor vergelijkende studies, patroonherkenning en ruimtelijke consistentieanalyse.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Deze functie beoordeelt de laag-hoog overeenkomst tussen twee Datasets. Door variabelen te leveren data_layer_1 en data_layer_2 die gekoppeld zijn aan Datasets, ontvangt u een gecategoriseerde overeenkomstkaart die combinaties aangeeft zoals laag-laag, laag-hoog, hoog-laag en hoog-hoog, wat nuttig is voor genuanceerde dataclassificatie.

get_value_for_zone

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

Gebruik deze functie om alle waarden van een Dataset-attribuut binnen een enkele zone te extraheren. Geef data_layer (de attribuutlaag), zones_layer (de zonenkaart), en zone_id (het zone-nummer) op om waarden voor analyse te isoleren, zoals opbrengst, toepassingssnelheid of zaaisnelheid binnen die zone.

drop_value

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

Met deze functie kunt u specifieke waarden uit een Dataset-attribuut verwijderen. Door het specificeren van data_layer gekoppeld aan een Dataset-attribuut en value_to_drop als een getal, kunt u het Dataset-attribuut data opschonen door deze uit het resultaat te elimineren (technisch gezien ongewenste waarden te vervangen door NaN).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normaliseer uw Dataset-attribuut efficiënt met deze functie. Door data_layer variabelen gekoppeld aan het Dataset-attribuut in te voeren, kunt u de gegevens schalen naar een gestandaardiseerd bereik van 0 tot 1, wat vergelijking en integratie tussen verschillende Datasets vergemakkelijkt.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # gebruik 1.0 om eenheden te behouden, of pas aan voor productconcentratie

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Bereken de Totale Toegepaste Meststof in eenheden per oppervlakte (bijvoorbeeld in kg/ha, l/ha, gal/ac, enz.). Door application_list Datasets met AppliedRate-attributen en overeenkomstige active_ingredient_coefficient_list met meststofproducten te verstrekken om de werkelijke totale toegepaste meststof in eenheden (bijv. in kg, l, gal, enz.) te krijgen.

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # N-fractie (actief bestanddeel) in elk product

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Bereken de Totale Toegepaste Stikstof in kg/ha met deze functie. Door application_list Datasets met AppliedRate-attributen en overeenkomstige active_ingredient_coefficient_list producten met stikstof te gebruiken om daadwerkelijke stikstof naar kg/ha om te rekenen, kunt u de Totale Toegepaste Stikstof nauwkeurig berekenen, essentieel voor landbouwplanning en duurzaamheidsbeoordelingen. De uitvoer wordt gebruikt als 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
)

Bepaal de stikstofopname in kg/ha met deze functie. Door het aanleveren van yield_wet_tha, moisture_pct, protein_pct van de Yield Dataset en protein_crop_correction_coefficient die de koppeling van eiwit aan de opname van stikstof vertegenwoordigt, kunt u de stikstofbenutting in gewasproductie beoordelen. De uitvoer wordt gebruikt als N_uptake ingeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Evalueer de stikstofbenutting (NUE) als een percentage met deze functie. Door N_total_applied en N_uptake variabelen (van eerdere functies) in te voeren, kunt u de effectiviteit van stikstoftoepassing meten, wat helpt bij het optimaliseren van meststofgebruik.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # prijs per eenheid voor elke rates-laag
costs = geopard.calculate_costs(rates, prices)

Bereken Totale Kosten op basis van toepassingssnelheden en prijzen met deze functie. Door een application_rate_list van Datasets met de AppliedRate-attributen en een overeenkomstige price_per_unit_listop te geven, kunt u uitgaven relativeren die verband houden met verschillende landbouwactiviteiten, wat budgetbeheer en financiële planning ondersteunt. De uitvoer wordt gebruikt als costs ingeopard.calculate_profit.

calculate_revenue

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

Bereken de Opbrengst (inkomsten) uit de Yield Dataset met deze functie. Door yield_as_mass geassocieerd met het Yield Dataset-attribuut en de yield_price_per_unitin te voeren, kunt u het inkomen uit gewasproductie schatten, wat economische evaluaties vergemakkelijkt. De uitvoer wordt gebruikt als costs ingeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Bepaal de Winst door de Kosten van de Opbrengst af te trekken met deze functie. Door de revenue en costs variabelen (van eerdere functies) te leveren, kunt u eenvoudig de financiële opbrengst van uw landbouwactiviteiten berekenen, wat winstgevendheidsanalyse en strategische besluitvorming ondersteunt.

fill_value_for_range

# behoud alleen waarden tussen 10 en 20, vervang de rest door 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Deze functie filtert waarden binnen een gespecificeerd bereik in de input array. Door de input array in te voeren, samen met optionele min_value en optionele max_value drempels, kunt u waarden isoleren die binnen het gewenste bereik vallen. De value_to_fill

parameter maakt het mogelijk om waarden buiten het bereik te vervangen door een gespecificeerde waarde, wat gegevensfiltering en normalisatieprocessen verbetert.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Gebruik deze functie om de Mean Absolute Error (MAE) per pixel te berekenen tussen twee datasets. Het levert een ruimtelijke kaart van absolute verschillen. Het "absolute verschil" is eenvoudigweg de grootte van de kloof tussen overeenkomende pixelwaarden, ongeacht of de ene hoger of lager is.

De functie helpt gebieden met grotere afwijkingen te identificeren.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield) Deze functie berekent de relatieve afwijking voor elke pixel tussen twee datasets, en drukt het verschil uit als een percentage van de waarde indataset_1 Deze functie berekent de relatieve afwijking voor elke pixel tussen twee datasets, en drukt het verschil uit als een percentage van de waarde in . In wezen laat het zien hoeveel de waarde van een pixel afwijkt van de overeenkomstige waarde in

in proportionele termen.

Deze benadering is bijzonder waardevol bij het analyseren van variaties in bodemkenmerken, opbrengst of remote sensing-gegevens, waardoor het snel opvallen van gebieden met significante proportionele verschillen mogelijk wordt.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Deze functie trekt de ene dataset van de andere af om een verschilkaart te maken. Het benadrukt gebieden waar de waarden in de ene dataset hoger of lager zijn vergeleken met de andere, waardoor het makkelijker wordt om trends en veranderingen in de tijd te herkennen.

Dit hulpmiddel is vooral nuttig voor het visualiseren van variaties in bodemkenmerken, opbrengst of remote sensing-gegevens, en helpt snel belangrijke gebieden te identificeren die mogelijk verder onderzoek of interventie vereisen.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023) Deze functie berekent het relatieve verschil voor elke pixel door het verschil tussen de datasets te normaliseren met behulp van de waarden vandataset_2 Deze functie berekent het relatieve verschil voor elke pixel door het verschil tussen de datasets te normaliseren met behulp van de waarden van.

. Dit betekent dat het laat zien hoe significant de verandering is in verhouding tot de omvang van

Zo'n proportionele vergelijking is vooral nuttig bij het omgaan met datasets met verschillende schalen, en helpt relatieve verschuivingen in bodemkenmerken, opbrengsten of sensoruitvoer aan het licht te brengen. Deze benadering maakt het mogelijk gebieden met opvallende variaties te lokaliseren.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Deze functie berekent het genormaliseerde verschil voor elke pixel door beide datasets te schalen ten opzichte van hun globale maximumwaarde. Dit proces maakt de datasets direct vergelijkbaar, zelfs als ze oorspronkelijk verschillende bereiken hadden.

De resulterende kaart biedt een duidelijk beeld van variaties in bodemkenmerken, opbrengst en remote sensing-gegevens, waardoor het snel identificeren en beoordelen van belangrijke verschillen mogelijk wordt.

build_zones_by_intervals
# intervallen voor zonering
    (4, 8),
    (8, 12),
    (12, 16)
]

intervals = [
# gebruik
    zones = geopard.build_zones_by_intervals( 
    layer,
)

intervals

Deze functie maakt een beheerzonekaart door een continue rasterlaag te classificeren in discrete zones op basis van door de gebruiker gedefinieerde waardebereiken.

Elk interval definieert een zone en elke pixel wordt toegewezen aan de zone waarvan het waardebereik overeenkomt. Pixels die niet aan een interval voldoen worden gemarkeerd als -1.

Deze zoneringsbenadering wordt vaak gebruikt om opbrengstkaarten, bodemkenmerken of remote sensing-indices om te zetten in toepasbare beheerzones voor variabele dosistoepassingen.

• Typische gebruiksscenario's

• Beheerzones creëren uit opbrengst-, NDVI- of bodemlagen

• Voorbereiden van zonenkaarten voor nutriënt- of zaaisnelheidberekeningen

Velden segmenteren in homogene zones voor besluitvorming

calculate_nutrient_rate_as_active_ingredients_per_zone
# target_nutrient opties
target_nutrient_option1 = 50 # constant nummer
# OF
target_nutrient_option1 = 50 # constant nummer
target_nutrient_option2 = {1: 20, 2: 40} # per-zone dict

target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # continue rasterlaag
# applied_nutrient_operations opties
    applied_operations = [
    5,                                      # operatie1 als constant nummer
    {1: 2, 2: 4},                           # operatie2 als per-zone dict
]

intervals = [
np.array([[1, 1], [2, 3]], dtype=float) # operatie3 als continue rasterlaag
    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 # of []

Deze functie berekent de vereiste nutriëntentoediening (actief bestanddeel) voor elke beheerzone.

• De berekening is gebaseerd op:

• een streefwaarde voor het nutriënt,

• plant-beschikbare nutriëntvoorziening uit de bodem,

nutriënten die al zijn toegepast via eerdere bewerkingen (mest, kunstmest, digestaat, enz.).

Toegepaste nutriëntbewerkingen kunnen worden opgegeven als constanten, per-zone waarden, rasterlagen of een combinatie daarvan. Alle invoer wordt automatisch opgelost en per zone geaggregeerd.

Standaard wordt het vereiste tarief berekend als het verschil tussen het streefnutriëntniveau en de som van bodemvoorziening en toegepaste nutriënten. Het resultaat wordt geretourneerd als een rasterkaart waarin elke zone een uniforme nutriëntensnelheid bevat.

convert_active_ingredient_and_product
# conversiecoëfficiënt actief_bestanddeel naar product en omgekeerd
target_nutrient_option1 = 50 # constant nummer
corrected_coefficient = 1.5  # constante coëfficiënt

intervals = [
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # per-pixel coëfficiënten
    zones = geopard.build_zones_by_intervals( 
    rates_as_products = geopard.convert_active_ingredient_and_product(
)

corrected_coefficient Deze functie zet een rasterlaag om tussen snelheden van actief bestanddeel en product

met behulp van een correctiecoëfficiënt. rates_as_products = geopard.convert_active_ingredient_and_product( De kan een enkele float zijn (toegepast op alle pixels) of een coëfficiënt matrix

(per-pixel conversie). Het wordt typisch gebruikt om berekende nutriëntbehoeften (actief bestanddeel) om te zetten naar daadwerkelijke producttoedieningssnelheden, of omgekeerd, op basis van meststofsamenstelling of nutriëntconcentratie.

Deze zoneringsbenadering wordt vaak gebruikt om opbrengstkaarten, bodemkenmerken of remote sensing-indices om te zetten in toepasbare beheerzones voor variabele dosistoepassingen.

• De conversie wordt pixelgewijs toegepast, waarbij de ruimtelijke structuur van de originele laag behouden blijft.

• Nutriëntensnelheden omzetten naar kunstmestproduct-snelheden

• Aanpassen van toepaskaarten op basis van nutriëntconcentratie

Voorbereiden van definitieve voorschriftkaarten voor machines

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

clay_pct_layer

Deze functie schat de USDA-bodemtextuur voor elke pixel met behulp van zand-, silt- en kleipercentages. Lever drie rasterlagen in procenten (0-100) die de deelfracties van de deeltjesgrootte vertegenwoordigen. De uitvoer zijn USDA klassennamen zoals zand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, of undefined

wanneer invoer ongeldig is.

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

fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(

Deze functie schat de USDA-bodemtextuur voor elke pixel met behulp van zand-, silt- en kleipercentages. Deze functie schat de FAO/WRB (ISO 11277) bodemtextuurklasse voor elke pixel op basis van zand-, silt- en kleipercentages. FAO/WRB klassecodes zoals S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, of undefined.

wanneer invoer ongeldig is

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer) Deze functie berekent.

met behulp van een correctiecoëfficiënt. bodemvolumiekeichtheid (g/cm³) op basis van textuurklasse en optionele bodemorganische stof (SOM) texture_class_layer moet klassennamen of codes bevatten die geproduceerd zijn door de USDA texture functie of de FAO/WRB texture functie

Als die hierboven genoemd is. som_pct_layer