> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/nl/producttour-webapp/equation-based-analytics/catalog-of-custom-functions.md).

# 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 met aangepaste functies die de leesbaarheid en functionaliteit van analyses op basis van vergelijkingen verbeteren. Deze functies kapselen complexe `python` code in, zodat je eenvoudig geavanceerde gegevensbewerkingen en berekeningen kunt uitvoeren.

### Vergelijking invoeren

<figure><img src="https://docs.geopard.tech/~gitbook/image?url=https%3A%2F%2F3272281156-files.gitbook.io%2F%7E%2Ffiles%2Fv0%2Fb%2Fgitbook-x-prod.appspot.com%2Fo%2Fspaces%252FYICBELdyAXXebKAzfLOR%252Fuploads%252FdHTdBE1CN2gSJbE7Bfo0%252Fimage.png%3Falt%3Dmedia%26token%3Dd8e3544f-feca-43a6-b6a1-f1305068de88&#x26;width=768&#x26;dpr=4&#x26;quality=100&#x26;sign=508ec9e0&#x26;sv=2" alt=""><figcaption><p>Voer een vergelijking in</p></figcaption></figure>

De lijst met beschikbare vooraf gebouwde functies voor het maken van intuïtievere en beter onderhoudbare vergelijkingen in GeoPard vind je in het `geopard` -pakket:

### fill\_gaps\_with\_k\_neighbors

```python
# input_data is een kenmerklaag van een dataset (bijv. opbrengst, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)
```

Deze functie herstelt ontbrekende gegevens of nullen in een dataset met behulp van het K-Nearest Neighbors-algoritme. Door de variabele `input_data` op te geven (als dataset met het geselecteerde kenmerk) en het aantal buren `k` kun je ontbrekende waarden naadloos aanvullen en zo de continuïteit en integriteit van de gegevens waarborgen.

Deze functie werkt goed wanneer gegevensgaten verspreid over het perceel voorkomen en niet in een bepaald deel van de perceelsgrens liggen.

### determine\_data\_similarity

```python
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 **dezelfde meting** in **dezelfde eenheden** weergeven om een zinvolle vergelijking mogelijk te maken. Met variabelen `data_layer_1` en `data_layer_2` die aan datasets zijn gekoppeld, kun je een overeenkomstkaart genereren met waarden van 0 tot 1. Dit maakt vergelijkende studies en patroonherkenning mogelijk.

### determine\_data\_similarity\_from\_normalized

```python
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 oorspronkelijke `data_layer_1` en `data_layer_2` verschillende schalen of eenheden hebben. Door deze datasets als invoer op te geven, genereert de functie een overeenkomstkaart met waarden van 0 tot 1. Deze is geschikt voor vergelijkende studies, patroonherkenning en analyse van ruimtelijke consistentie.

### determine\_low\_high\_similarity

```python
zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)
```

Deze functie beoordeelt de overeenkomst tussen lage en hoge waarden in twee datasets. Door variabelen `data_layer_1` en `data_layer_2` op te geven die aan datasets zijn gekoppeld, krijg je een ingedeelde overeenkomstkaart met combinaties zoals laag-laag, laag-hoog, hoog-laag en hoog-hoog. Dit is nuttig voor een genuanceerde gegevensclassificatie.

### get\_value\_for\_zone

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

Gebruik deze functie om alle waarden van een datasetkenmerk binnen één zone op te halen. Geef `data_layer` (de kenmerklaag), `zones_layer` (de zonenkaart), en `zone_id` (het zonenummer) om waarden binnen die zone te isoleren voor analyse, zoals opbrengst, dosering of zaaidichtheid.

### drop\_value

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

Met deze functie kunt u specifieke waarden uit een datasetattribuut verwijderen. Door `data_layer` en `value_to_drop`op te geven, kunt u de dataset opschonen door die waarden uit het resultaat te verwijderen; technisch gezien worden ze vervangen door `NaN`.

### normalize\_data

```python
ndvi_normalized = geopard.normalize_data(ndvi_layer)
```

Normaliseer met deze functie een datasetattribuut. Door `data_layer`mee te geven, schaalt u de gegevens naar een gestandaardiseerd bereik van 0 tot 1, zodat u verschillende datasets eenvoudiger kunt vergelijken en combineren.

### calculate\_total\_applied\_fertilizer

```python
applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # use 1.0 to keep units, or adjust for product concentration

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)
```

Bereken met deze functie de totale toegediende hoeveelheid meststof per oppervlakte-eenheid (bijvoorbeeld in kg/ha, l/ha, gal/ac, enz.). Geef `application_list` datasets met AppliedRate-attributen en de bijbehorende `active_ingredient_coefficient_list` met meststoffen op om de werkelijke totale hoeveelheid toegediende meststof te berekenen (bijvoorbeeld in kg, l, gal, enz.).

### calculate\_total\_applied\_nitrogen

```python
applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # N fraction (active ingredient) in each product

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)
```

Bereken met deze functie de totale toegediende hoeveelheid stikstof in kg/ha. Geef `application_list` datasets met AppliedRate-attributen en de bijbehorende `active_ingredient_coefficient_list` met stikstofproducten op om de werkelijke hoeveelheid stikstof om te rekenen naar kg/ha. Zo berekent u nauwkeurig de totale toegediende hoeveelheid stikstof, essentieel voor landbouwplanning en duurzaamheidsbeoordelingen. De uitvoer wordt gebruikt als `N_total_applied` in[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency).

### calculate\_nitrogen\_uptake

```python
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 met deze functie de stikstofopname in kg/ha. Geef `yield_wet_tha`, `moisture_pct`, `protein_pct` uit de opbrengstdataset en `protein_crop_correction_coefficient` waarmee het verband tussen eiwit en stikstofopname wordt weergegeven, kunt u de stikstofbenuttingsefficiëntie in de gewasproductie beoordelen. De uitvoer wordt gebruikt als `N_uptake` in[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency) .

### calculate\_nitrogen\_use\_efficiency

```python
NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)
```

Beoordeel met deze functie de stikstofbenuttingsefficiëntie als percentage. Door [`N_total_applied`](#calculate_total_applied_nitrogen) en [`N_uptake`](#calculate_nitrogen_uptake) (variabelen uit eerdere functies) in te voeren, kunt u de effectiviteit van de stikstoftoediening meten en zo het kunstmestgebruik optimaliseren.

### calculate\_costs

```python
rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # price per unit for each rate layer
costs = geopard.calculate_costs(rates, prices)
```

Bereken met deze functie de totale kosten op basis van toedieningshoeveelheden en prijzen. Door een `application_rate_list` met datasets die de kenmerken AppliedRate bevatten en een overeenkomstige `price_per_unit_list`, kunt u de kosten van verschillende landbouwactiviteiten bij elkaar optellen. Dit ondersteunt het budgetbeheer en de financiële planning. De uitvoer wordt gebruikt als `costs` in[`geopard.calculate_profit`](#calculate_profit).

### calculate\_revenue

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

Bereken met deze functie de opbrengst op basis van de opbrengstdataset. Door `yield_as_mass` dat hoort bij het kenmerk Yield van de opbrengstdataset en de `yield_price_per_unit`in te voeren, kunt u de inkomsten uit de gewasproductie schatten en zo de economische evaluatie ondersteunen. De uitvoer wordt gebruikt als `costs` in[`geopard.calculate_profit`](#calculate_profit) .

### calculate\_profit

```python
profit = geopard.calculate_profit(revenue, costs)
```

Bepaal met deze functie de winst door de kosten van de opbrengst af te trekken. Door de [`revenue`](#calculate_revenue) en [`costs`](#calculate_costs) -variabelen (uit eerdere functies) in te voeren, kunt u eenvoudig de financiële opbrengst van uw landbouwactiviteiten berekenen. Dit ondersteunt de analyse van de winstgevendheid en strategische besluitvorming.

### fill\_value\_for\_range

```python
# keep only values between 10 and 20, replace the rest with 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
```

Deze functie filtert waarden binnen een opgegeven bereik in de `input` -array. Geef de `input` array op, samen met optionele `min_value` en optionele `max_value` drempelwaarden kunt u waarden binnen het gewenste bereik isoleren. Met de `value_to_fill` -parameter kunt u waarden buiten het bereik vervangen door een opgegeven waarde, wat de filtering en normalisatie van gegevens verbetert.

### calculate\_per\_pixel\_mae

```python
mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)
```

Gebruik deze functie om de Mean Absolute Error (MAE) per pixel tussen twee datasets te berekenen. De functie levert een ruimtelijke kaart met absolute verschillen op. Het "absolute verschil" is simpelweg de grootte van het verschil tussen overeenkomstige pixelwaarden, ongeacht welke waarde hoger of lager is.

Met deze functie kunt u gebieden met grotere afwijkingen identificeren.

### calculate\_per\_pixel\_relative\_deviation

```python
relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)
```

Deze functie berekent voor elke pixel de relatieve afwijking tussen twee datasets. Het verschil wordt uitgedrukt als percentage van de waarde in `dataset_1`. Zo wordt weergegeven hoeveel de waarde van een pixel afwijkt van de overeenkomstige waarde in `dataset_1` in verhouding tot die waarde.

Deze aanpak is bijzonder waardevol bij het analyseren van variaties in bodemeigenschappen, gewasopbrengst of teledetectiegegevens, omdat u er snel gebieden met aanzienlijke relatieve verschillen mee kunt opsporen.

### calculate\_difference

```python
difference = geopard.calculate_difference(yield_2024, yield_2023)
```

Deze functie trekt de ene dataset af van de andere en maakt zo een verschilkaart. De kaart laat zien waar de waarden in de ene dataset hoger of lager zijn dan in de andere, zodat trends en veranderingen in de loop van de tijd gemakkelijker te herkennen zijn.

Deze tool is vooral nuttig om variaties in bodemeigenschappen, gewasopbrengst of teledetectiegegevens in beeld te brengen. Zo kunt u snel gebieden identificeren die mogelijk nader onderzoek of ingrijpen vereisen.

### calculate\_relative\_difference

```python
relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)
```

Deze functie berekent het relatieve verschil per pixel door het verschil tussen de datasets te normaliseren met de waarden uit `dataset_2`. Zo wordt weergegeven hoe groot de verandering is in verhouding tot de omvang van `dataset_2`.

Een dergelijke vergelijking in verhouding is vooral nuttig bij datasets met verschillende schaalniveaus. Ze helpt relatieve verschuivingen in bodemeigenschappen, gewasopbrengsten of sensormetingen zichtbaar te maken en gebieden met opvallende variatie aan te wijzen.

### calculate\_normalized\_difference

```python
normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)
```

Deze functie berekent het genormaliseerde verschil per pixel door beide datasets te schalen ten opzichte van hun globale maximumwaarde. Hierdoor kunnen de datasets rechtstreeks met elkaar worden vergeleken, ook als ze oorspronkelijk verschillende bereiken hebben.

De resulterende kaart geeft een helder beeld van variaties in bodemeigenschappen, gewasopbrengst en teledetectiegegevens, zodat u belangrijke verschillen snel kunt herkennen en beoordelen.

### build\_zones\_by\_intervals

```python
# intervallen voor zonering
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Deze functie maakt een kaart met beheerzones door een doorlopende rasterlaag op basis van door de gebruiker gedefinieerde waarde-intervallen in afzonderlijke zones in te delen.

Elk interval definieert een zone en elke pixel wordt toegewezen aan de zone waarvan het waardebereik overeenkomt met de pixelwaarde. Pixels die in geen enkel interval vallen, krijgen de waarde -1.

Deze zoneringsmethode wordt vaak gebruikt om opbrengstkaarten, bodemeigenschappen of teledetectie-indices om te zetten in bruikbare beheerzones voor toepassingen met variabele dosering.

**Veelvoorkomende toepassingen**

* Beheerzones maken op basis van opbrengst-, NDVI- of bodemlagen
* Zonekaarten voorbereiden voor berekeningen van nutriënten- of zaaidoseringen
* Percelen indelen in homogene zones ter ondersteuning van besluitvorming

### calculate\_nutrient\_rate\_as\_active\_ingredients\_per\_zone

```python
# opties voor target_nutrient
target_nutrient_option1 = 50 # constant number
# OF
target_nutrient_option2 = {1: 20, 2: 40} # per-zone dict
# OF
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # continuous raster layer

# opties voor applied_nutrient_operations
applied_operations = [
    5,                                      # bewerking1 als constant getal
    {1: 2, 2: 4},                           # bewerking2 als zonegebonden dictionary
    np.array([[1, 1], [2, 3]], dtype=float) # bewerking3 als continue rasterlaag
]

# gebruik
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 # or []
)
```

Deze functie berekent de benodigde nutriëntdosering (werkzame stof) voor elke beheerszone.

De berekening is gebaseerd op:

* een streefgehalte aan nutriënten,
* de voor planten beschikbare nutriëntenvoorraad in de bodem,
* nutriënten die al zijn toegediend bij eerdere bewerkingen (mest, meststoffen, digestaat, enz.).

Toegediende nutriënten kunnen worden opgegeven als constanten, zonegebonden waarden, rasterlagen of een combinatie hiervan. Alle invoer wordt automatisch verwerkt en per zone samengevoegd.

Standaard wordt de benodigde dosering berekend als het verschil tussen het streefgehalte aan nutriënten en de som van de nutriëntenvoorraad in de bodem en de al toegediende nutriënten. Het resultaat wordt geretourneerd als rasterkaart, waarbij elke zone een uniforme nutriëntdosering heeft.

### convert\_active\_ingredient\_and\_product

```python
# conversiecoëfficiënt van werkzame stof naar product en omgekeerd
corrected_coefficient = 1.5  # constante coëfficiënt
# OF
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # coëfficiënten per pixel

# gebruik
rates_as_products = geopard.convert_active_ingredient_and_product(
    layer, 
    corrected_coefficient
)
```

Deze functie converteert een rasterlaag tussen **doseringen werkzame stof en productdoseringen** met behulp van een correctiecoëfficiënt.

De `corrected_coefficient` kan één **float** zijn (toegepast op alle pixels) of een coëfficiënten- **matrix** (conversie per pixel). Deze wordt doorgaans gebruikt om berekende nutriëntenbehoeften (werkzame stof) om te zetten in de daadwerkelijke productdoseringen, of omgekeerd, op basis van de samenstelling van de meststof of de nutriëntenconcentratie.

De conversie wordt per pixel toegepast, waarbij de ruimtelijke structuur van de oorspronkelijke laag behouden blijft.

**Veelvoorkomende toepassingen**

* Nutriëntdoseringen omzetten naar doseringen van meststofproducten
* Toedieningskaarten aanpassen op basis van de nutriëntenconcentratie
* Definitieve taakkaarten voor landbouwmachines voorbereiden

### map\_value\_by\_zone

```python
# één waarde aan alle zones toewijzen
planned_yield = geopard.map_value_by_zone(
    zone_map,
    3.0
)

# OF: verschillende waarden per zone toewijzen
planned_yield = geopard.map_value_by_zone(
    zone_map,
    {1: 2.91, 2: 3.0, 3: 3.06}
)

# OF: een bestaand raster per zone aggregeren
p_zone_median = geopard.map_value_by_zone(
    zone_map,
    p2o5,
    aggregation_logic="median"
)
```

Deze functie zet scalaire waarden, zonegebonden dictionaries of rasterlagen om in een zonegebaseerd raster.

Elke geldige pixel krijgt de waarde die aan de bijbehorende zone is toegewezen. Bij rasterinvoer worden waarden binnen elke zone geaggregeerd met `mean`, `median`, `min`, of `max`, waardoor de variatie binnen zones effectief wordt geëlimineerd.

Ontbrekende waarden in het woordenboek en nodata-pixels krijgen de opgegeven `default` (standaard NaN).

**Veelvoorkomende toepassingen**

* Pixelgerichte opbrengstdoelen opstellen op basis van zonespecifieke waarden
* Zonespecifieke bemestingsadviezen omzetten in toepassingsrasters
* Variatie in bodemnutriënten binnen beheerszones afvlakken
* Zoneparameters voorbereiden voor pixelgewijze NumPy-berekeningen

### calculate\_dose\_by\_nutrient\_balance

```python
# commerciële meststofdosering berekenen
ammophos_dose = geopard.calculate_dose_by_nutrient_balance(
    zone_map,
    planned_yield={1: 2.91, 2: 3.0, 3: 3.06},
    soil_nutrient=p2o5,
    removal_per_yield_unit=12.5,
    soil_use_coefficient=0.2,
    fertilizer_use_coefficient=0.4,
    correction_coefficient=1.5,
    product_nutrient_share=0.46,
    min_dose=50,
    max_dose=100
)
```

Deze functie berekent de bemestingsdosering per pixel op basis van de balans tussen nutriëntenafvoer door het gewas en de nutriëntenlevering door de bodem.

Bij de berekening wordt rekening gehouden met de geplande opbrengst, de nutriëntenafvoer door het gewas, de beschikbare bodemnutriënten, benuttingscoëfficiënten voor bodem en meststof en correctiefactoren. De benodigde hoeveelheid werkzame stof kan desgewenst worden omgerekend naar doseringen van een commercieel meststofproduct met behulp van `product_nutrient_share`.

Ondersteunt geplande opbrengstwaarden als scalair, woordenboek of raster. Bodemnutriëntenwaarden kunnen per pixel worden gebruikt of per zone worden geaggregeerd. De uiteindelijke doseringen kunnen worden begrensd met minimum- en maximumtoepassingslimieten en afgerond op hele getallen.

**Veelvoorkomende toepassingen**

* Variabele bemestingskaarten voor P₂O₅ en K₂O genereren
* Nutriëntenaanvulling berekenen op basis van de geplande gewasopbrengst
* Rekening houden met nutriëntenlevering door de bodem en de benuttingsefficiëntie van meststoffen
* De benodigde hoeveelheid werkzame stof omrekenen naar toepassingsdoseringen van commerciële producten
* Bemestingskaarten genereren die klaar zijn voor gebruik met landbouwmachines

### estimate\_texture\_class\_based\_on\_usda

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

Deze functie schat de USDA-bodemtextuurklasse voor elke pixel op basis van de percentages zand, silt en klei.

Geef drie rasterlagen op in procenten (0-100) die de deeltjesgroottefracties weergeven. De uitvoer is <mark style="background-color:green;">USDA-klassennamen, zoals</mark> *<mark style="background-color:green;">sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay, of undefined</mark>* <mark style="background-color:green;">bij ongeldige invoer.</mark>

### estimate\_texture\_class\_based\_on\_fao\_wrb

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

Deze functie schat voor elke pixel de FAO/WRB-bodemtextuurklasse (ISO 11277) op basis van de percentages zand, silt en klei.

Geef drie rasterlagen op in procenten (0-100) die de deeltjesgroottefracties weergeven. De uitvoer is <mark style="background-color:green;">FAO/WRB-klassecodes, zoals</mark> *<mark style="background-color:green;">S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC of undefined</mark>* <mark style="background-color:green;">bij ongeldige invoer</mark>.

### calculate\_soil\_bulk\_density

```python
bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)
```

Deze functie berekent <mark style="background-color:green;">de bulkdichtheid van de bodem (g/cm³) op basis van de textuurklasse en het eventuele gehalte aan organische stof in de bodem (SOM)</mark>.

De `texture_class_layer` moet de klassennamen of codes bevatten die worden gegenereerd door de [USDA-textuurfunctie](#estimate_texture_class_based_on_usda) of de [FAO/WRB-textuurfunctie](#estimate_texture_class_based_on_fao_wrb) die hierboven zijn genoemd.

Als `som_pct_layer` als percentagewaarde wordt opgegeven, past de functie de bulkdichtheid aan op basis van SOM. Anders retourneert de functie de bulkdichtheidswaarden van de bodem in g/cm³ die volgens de USDA- of FAO/WRB-opzoektabel bij de textuurklassen horen.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/nl/producttour-webapp/equation-based-analytics/catalog-of-custom-functions.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
