Katalog funkcji niestandardowych

Te funkcje kapsułkują złożony kod Python, umożliwiając łatwe wdrażanie zaawansowanych przekształceń danych i obliczeń.

GeoPard oferuje kompleksowy katalog funkcji niestandardowych, zaprojektowanych tak, aby poprawić czytelność i funkcjonalność analiz opartych na równaniach. Funkcje te kapsułkują złożone python kod, umożliwiając łatwe wdrażanie zaawansowanych przekształceń danych i obliczeń.

Wpisz równanie

Wpisz równanie

Lista dostępnych gotowych funkcji do tworzenia bardziej intuicyjnych i łatwiejszych w utrzymaniu równań w GeoPard jest zawarta w geopard pakiecie:

fill_gaps_with_k_neighbors

# input_data to warstwa atrybutu zbioru danych (np. plon, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Ta funkcja przywraca luki danych lub zera w zbiorze danych, używając algorytmu K-Nearest Neighbors. Określając input_data zmienną (jako Dataset z wybranym atrybutem) oraz liczbę sąsiadów k, można płynnie uzupełnić brakujące wartości, zapewniając ciągłość i spójność danych.

Ta funkcja działa dobrze, gdy luki danych są rozproszone po całym polu i nie są skupione przy żadnej konkretnej części granicy pola.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Użyj tej funkcji, aby obliczyć podobieństwo piksel po pikselu między dwoma Datasetami. Zmienne data_layer_1 i data_layer_2 powinny reprezentować ten sam pomiar w tych samych jednostkach aby zapewnić sensowne porównanie. Podając zmienne data_layer_1 i data_layer_2 powiązane z Datasetami, można wygenerować mapę podobieństwa o wartościach od 0 do 1, ułatwiając analizy porównawcze i rozpoznawanie wzorców.

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)

Użyj tej funkcji, aby obliczyć podobieństwo piksel po pikselu między dwoma znormalizowanymi zbiorami danych. Normalizacja jest zalecana, gdy oryginalne data_layer_1 i data_layer_2 mają różne skale lub jednostki. Podając te zbiory danych jako dane wejściowe, funkcja generuje mapę podobieństwa o wartościach od 0 do 1, dzięki czemu nadaje się do analiz porównawczych, rozpoznawania wzorców i analizy spójności przestrzennej.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Ta funkcja ocenia podobieństwo niskie-wysokie między dwoma Datasetami. Podając zmienne data_layer_1 i data_layer_2 powiązane z Datasetami, otrzymujesz kategoryzowaną mapę podobieństwa wskazującą kombinacje takie jak niskie-niskie, niskie-wysokie, wysokie-niskie i wysokie-wysokie, co jest przydatne do bardziej szczegółowej klasyfikacji danych.

get_value_for_zone

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

Użyj tej funkcji, aby wyodrębnić wszystkie wartości z atrybutu Dataset w jednej strefie. Podaj data_layer (warstwa atrybutu), zones_layer (mapę stref) oraz zone_id (numer strefy), aby odizolować wartości do analizy, takie jak plon, dawka aplikacji lub dawka wysiewu, wewnątrz tej strefy.

drop_value

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

Ta funkcja pozwala usunąć określone wartości z atrybutu zbioru danych. Określając data_layer i value_to_drop, możesz oczyścić zbiór danych, eliminując te wartości z wyniku, technicznie zastępując je NaN.

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Znormalizuj atrybut zbioru danych za pomocą tej funkcji. Przekazując data_layer, możesz przeskalować dane do ustandaryzowanego zakresu od 0 do 1, co ułatwia porównywanie i integrację różnych zbiorów danych.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # użyj 1.0, aby zachować jednostki, albo dostosuj do stężenia produktu

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Oblicz całkowitą zastosowaną ilość nawozu w jednostkach na powierzchnię (na przykład kg/ha, l/ha, gal/ac itd.). Podając application_list Datasety z atrybutami AppliedRate oraz odpowiadającą active_ingredient_coefficient_list dla produktów nawozowych, można uzyskać rzeczywistą całkowitą zastosowaną ilość nawozu w jednostkach (na przykład kg, l, gal itd).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # udział N (składnik aktywny) w każdym produkcie

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Oblicz całkowitą zastosowaną ilość azotu w kg/ha, używając tej funkcji. Podając application_list Datasety z atrybutami AppliedRate oraz odpowiadającą active_ingredient_coefficient_list z produktami azotowymi, aby przeliczyć rzeczywisty azot na kg/ha, można dokładnie obliczyć całkowitą zastosowaną ilość azotu, istotną dla planowania rolniczego i oceny zrównoważenia. Wynik jest używany jako N_total_applied wgeopard.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
)

Określ pobranie azotu w kg/ha za pomocą tej funkcji. Podając yield_wet_tha, moisture_pct, protein_pct z Datasetu plonu oraz protein_crop_correction_coefficient reprezentujący zależność białka od pobrania azotu, można ocenić efektywność wykorzystania azotu w produkcji roślinnej. Wynik jest używany jako N_uptake wgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Oceń efektywność wykorzystania azotu jako procent, używając tej funkcji. Podając N_total_applied i N_uptake zmienne (z poprzednich funkcji), możesz mierzyć skuteczność zastosowania azotu, wspierając optymalizację użycia nawozów.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # cena za jednostkę dla każdej warstwy dawki
costs = geopard.calculate_costs(rates, prices)

Oblicz całkowite koszty na podstawie dawek aplikacji i cen za pomocą tej funkcji. Podając application_rate_list Datasety z atrybutami AppliedRate oraz odpowiadającą price_per_unit_list, można agregować wydatki związane z różnymi działaniami rolniczymi, wspierając zarządzanie budżetem i planowanie finansowe. Wynik jest używany jako costs wgeopard.calculate_profit.

calculate_revenue

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

Oblicz przychód na podstawie Datasetu plonu za pomocą tej funkcji. Podając yield_as_mass powiązany z atrybutem Datasetu plonu oraz yield_price_per_unit, można oszacować dochód generowany z produkcji roślinnej, ułatwiając oceny ekonomiczne. Wynik jest używany jako costs wgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Określ zysk, odejmując koszty od przychodu za pomocą tej funkcji. Podając revenue i costs zmienne (z poprzednich funkcji), możesz łatwo obliczyć zysk finansowy z działalności rolniczej, wspierając analizę rentowności i strategiczne podejmowanie decyzji.

fill_value_for_range

# zachowaj tylko wartości między 10 a 20, resztę zastąp 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Ta funkcja filtruje wartości w określonym zakresie w wejściowej tablicy. Podając wejściowej tablicę wraz z opcjonalnym min_value oraz opcjonalnym max_value progami, można wyodrębnić wartości, które mieszczą się w żądanym zakresie. Parametr value_to_fill umożliwia zastępowanie wartości spoza zakresu określoną wartością, usprawniając filtrowanie danych i procesy normalizacji.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Użyj tej funkcji, aby obliczyć średni błąd bezwzględny (MAE) piksel po pikselu między dwoma zbiorami danych. Zapewnia ona przestrzenną mapę różnic bezwzględnych. „Różnica bezwzględna” to po prostu wielkość luki między odpowiadającymi sobie wartościami pikseli, bez względu na to, czy jedna jest wyższa czy niższa.

Funkcja pomaga zidentyfikować obszary z większymi rozbieżnościami.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Ta funkcja oblicza odchylenie względne dla każdego piksela między dwoma zbiorami danych, wyrażając różnicę jako procent wartości w dataset_1. Zasadniczo pokazuje, o ile wartość jednego piksela odbiega od odpowiadającej mu wartości w dataset_1 w ujęciu proporcjonalnym.

Takie podejście jest szczególnie cenne przy analizie zmian właściwości gleby, plonu roślin lub danych z teledetekcji, ponieważ pomaga szybko wykryć obszary ze znaczącymi różnicami proporcjonalnymi.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Ta funkcja odejmuje jeden zbiór danych od drugiego, tworząc mapę różnic. Uwypukla obszary, gdzie wartości w jednym zbiorze są wyższe lub niższe w porównaniu z drugim, co ułatwia dostrzeganie trendów i zmian w czasie.

To narzędzie jest szczególnie przydatne do wizualizacji zmian właściwości gleby, plonu roślin lub danych z teledetekcji, pomagając szybko zidentyfikować obszary, które mogą wymagać dalszej analizy lub interwencji.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Ta funkcja oblicza różnicę względną dla każdego piksela, normalizując różnicę między zbiorami danych z użyciem wartości z dataset_2. Oznacza to, że pokazuje, jak znacząca jest zmiana w odniesieniu do wielkości dataset_2.

Takie proporcjonalne porównanie jest szczególnie użyteczne przy pracy ze zbiorami danych o różnych skalach, pomagając ujawnić względne zmiany we właściwościach gleby, plonach roślin lub odczytach czujników. To podejście pomaga wskazać obszary z zauważalną zmiennością.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Ta funkcja oblicza znormalizowaną różnicę dla każdego piksela, skalując oba zbiory danych względem ich globalnej wartości maksymalnej. Proces ten sprawia, że zbiory danych są bezpośrednio porównywalne, nawet jeśli pierwotnie mają różne zakresy.

Powstała mapa daje jasny obraz zmian w właściwościach gleby, plonie roślin i danych z teledetekcji, pozwalając szybko identyfikować i oceniać kluczowe różnice.

build_zones_by_intervals

# przedziały do strefowania
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Ta funkcja tworzy mapę stref zarządzania, klasyfikując ciągłą warstwę rastrową do dyskretnych stref na podstawie zdefiniowanych przez użytkownika przedziałów wartości.

Każdy przedział definiuje strefę, a każdy piksel jest przypisywany do strefy, w której mieści się jego zakres wartości. Piksele, które nie pasują do żadnego przedziału, są oznaczane jako -1.

Takie podejście do strefowania jest powszechnie używane do przekształcania map plonu, właściwości gleby lub indeksów teledetekcyjnych w praktyczne strefy zarządzania do aplikacji zmiennodozowych.

Typowe zastosowania

• Tworzenie stref zarządzania na podstawie warstw plonu, NDVI lub gleby

• Przygotowywanie map stref do obliczeń dawek nawozów lub siewu

• Dzielnie pola na jednorodne strefy do podejmowania decyzji

calculate_nutrient_rate_as_active_ingredients_per_zone

# opcje target_nutrient
target_nutrient_option1 = 50 # stała liczba
# LUB
target_nutrient_option2 = {1: 20, 2: 40} # słownik per strefa
# LUB
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # ciągła warstwa rastrowa

# opcje applied_nutrient_operations
applied_operations = [
    5,                                      # operation1 jako stała liczba
    {1: 2, 2: 4},                           # operation2 jako słownik per strefa
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 jako ciągła warstwa rastrowa
]

# użycie
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 # lub []
)

Ta funkcja oblicza wymaganą dawkę składnika pokarmowego (substancji czynnej) dla każdej strefy zarządzania.

Obliczenie opiera się na:

• docelowym poziomie składnika pokarmowego,

• dostępnej dla roślin podaży składnika z gleby,

• składnikach pokarmowych już zastosowanych w poprzednich zabiegach (obornik, nawozy, digestat itp.).

Zastosowane operacje nawozowe mogą być podane jako wartości stałe, wartości per strefa, warstwy rastrowe lub dowolne ich połączenie. Wszystkie dane wejściowe są automatycznie rozwiązywane i agregowane per strefa.

Domyślnie wymagana dawka jest obliczana jako różnica między docelowym poziomem składnika pokarmowego a sumą podaży z gleby i zastosowanych składników. Wynik jest zwracany jako mapa rastrowa, w której każda strefa zawiera jednolitą dawkę składnika.

convert_active_ingredient_and_product

# współczynnik przeliczeniowy active_ingredient na produkt i odwrotnie
corrected_coefficient = 1.5  # stały współczynnik
# LUB
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # współczynniki per piksel

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

Ta funkcja przelicza warstwę rastrową między dawkami składnika aktywnego i dawkami produktu za pomocą współczynnika korekcyjnego.

Współczynnik corrected_coefficient może być pojedynczym float (stosowanym do wszystkich pikseli) albo macierzą współczynników (przeliczenie per piksel). Zwykle używa się jej do przekształcania obliczonych potrzeb pokarmowych (substancja czynna) w rzeczywiste dawki aplikacji produktu lub odwrotnie, w oparciu o skład nawozu lub stężenie składnika pokarmowego.

Przeliczenie jest wykonywane piksel po pikselu, zachowując strukturę przestrzenną oryginalnej warstwy.

Typowe zastosowania

• Przeliczanie dawek składników pokarmowych na dawki produktu nawozowego

• Dostosowywanie map aplikacyjnych na podstawie stężenia składnika pokarmowego

• Przygotowywanie finalnych map aplikacyjnych dla maszyn

estimate_texture_class_based_on_usda

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

Ta funkcja szacuje teksturę gleby USDA dla każdego piksela, używając procentowej zawartości piasku, pyłu i iłu.

Podaj trzy warstwy rastrowe w procentach (0-100), które reprezentują frakcje wielkości cząstek. Wynikiem jest nazwy klas USDA, takie jak sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay lub undefined gdy dane wejściowe są nieprawidłowe.

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
)

Ta funkcja szacuje klasę tekstury gleby FAO/WRB (ISO 11277) dla każdego piksela na podstawie procentowej zawartości piasku, pyłu i iłu.

Podaj trzy warstwy rastrowe w procentach (0-100), które reprezentują frakcje wielkości cząstek. Wynikiem jest kody klas FAO/WRB, takie jak S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC lub undefined gdy dane wejściowe są nieprawidłowe.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Ta funkcja oblicza gęstość objętościową gleby (g/cm³) na podstawie klasy tekstury i opcjonalnej zawartości materii organicznej gleby (SOM).

Współczynnik texture_class_layer powinna zawierać nazwy klas lub kody wygenerowane przez funkcję tekstury USDA lub funkcję tekstury FAO/WRB wspomniane powyżej.

Jeśli som_pct_layer jest podana jako wartość procentowa, funkcja koryguje gęstość objętościową, używając SOM. W przeciwnym razie zwraca wartości gęstości objętościowej gleby w g/cm³ powiązane z klasami tekstury zgodnie z tabelą USDA lub FAO/WRB.