Catálogo de Funções Personalizadas

Essas funções encapsulam código Python complexo, permitindo implementar manipulações e cálculos de dados sofisticados com facilidade.

GeoPard oferece um Catálogo abrangente de Funções Personalizadas projetadas para melhorar a legibilidade e a funcionalidade de Análises baseadas em Equações. Essas funções encapsulam operações complexas python de código, permitindo que você implemente manipulações e cálculos de dados sofisticados com facilidade.

Digite Equação

Insira uma Equação

A lista de funções pré-construídas disponíveis para criar Equações mais intuitivas e fáceis de manter dentro da plataforma GeoPard está incorporada no geopard pacote:

fill_gaps_with_k_neighbors

# input_data é uma camada de atributo de Dataset (por exemplo, Rendimento, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Esta função restaura lacunas de dados ou zeros em um dataset usando o algoritmo K-Neighbors. Ao especificar a variável input_data (como Dataset com o atributo selecionado) e o número de vizinhos k, você pode preencher valores ausentes sem esforço, garantindo continuidade e integridade dos dados.

Esta função funciona bem quando as lacunas de dados estão distribuídas pelo campo e não concentradas em uma parte específica do limite do campo.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Use esta função para calcular a similaridade por pixel entre dois Datasets. As variáveis data_layer_1 e data_layer_2 devem representar a mesma medição nas mesmas unidades para garantir uma comparação significativa. Ao fornecer variáveis data_layer_1 e data_layer_2 associadas a Datasets, você pode gerar um mapa de similaridade com valores variando de 0 a 1, facilitando estudos comparativos e reconhecimento de padrões.

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)

Use esta função para calcular a similaridade por pixel entre dois datasets normalizados. A normalização é recomendada quando os originais data_layer_1 e data_layer_2 têm escalas ou unidades diferentes. Ao fornecer esses datasets como entrada, a função gera um mapa de similaridade com valores entre 0 e 1, tornando-o adequado para estudos comparativos, reconhecimento de padrões e análise de consistência espacial.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Esta função avalia a similaridade baixo-alto entre dois Datasets. Ao inserir variáveis data_layer_1 e data_layer_2 associadas a Datasets, você recebe um mapa de similaridade categorizado indicando combinações como baixo-baixo, baixo-alto, alto-baixo e alto-alto, o que é útil para classificação de dados mais detalhada.

get_value_for_zone

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

Use esta função para extrair todos os valores de um atributo de Dataset dentro de uma única zona. Forneça data_layer (a camada de atributo), zones_layer (o mapa de zonas), e zone_id (o número da zona) para isolar valores para análise, como rendimento, taxa de aplicação ou taxa de semeadura, dentro dessa zona.

drop_value

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

Esta função permite remover valores específicos de um atributo de Dataset. Ao especificar data_layer associados a um atributo de Dataset e value_to_drop como um número, você pode limpar os dados do atributo do Dataset eliminando-os do resultado (tecnicamente substituindo valores indesejados por NaN).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normalize seu atributo de Dataset de forma eficiente com esta função. Ao inserir data_layer associado ao atributo do Dataset, você pode escalonar os dados para um intervalo padronizado de 0 a 1, facilitando comparação e integração entre diferentes Datasets.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # use 1.0 para manter unidades, ou ajuste para concentração do produto

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Calcule o Fertilizante Total Aplicado em unidades por área (por exemplo, em kg/ha, l/ha, gal/ac, etc.). Ao fornecer application_list Datasets com atributos AppliedRate e os correspondentes active_ingredient_coefficient_list com produtos fertilizantes para obter o total real de fertilizante aplicado em unidades (por exemplo, em kg, l, gal, etc.).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # fração de N (ingrediente ativo) em cada produto

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Calcule o Nitrogênio Total Aplicado em kg/ha usando esta função. Ao fornecer application_list Datasets com atributos AppliedRate e os correspondentes active_ingredient_coefficient_list com produtos de nitrogênio para converter o nitrogênio real para kg/ha, você pode calcular com precisão o Nitrogênio Total Aplicado, essencial para planejamento agrícola e avaliações de sustentabilidade. A saída é usada como N_total_applied emgeopard.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
)

Determine a Absorção de Nitrogênio em kg/ha com esta função. Ao fornecer yield_wet_tha, moisture_pct, protein_pct do Dataset de Rendimento e protein_crop_correction_coefficient representando a relação da proteína com a absorção de nitrogênio, você pode avaliar a Eficiência no Uso de Nitrogênio na produção de culturas. A saída é usada como N_uptake emgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Avalie a Eficiência no Uso de Nitrogênio como uma porcentagem usando esta função. Ao inserir N_total_applied e N_uptake variáveis (de funções anteriores), você pode medir a eficácia da aplicação de nitrogênio, auxiliando na otimização do uso de fertilizantes.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # preço por unidade para cada camada de taxa
costs = geopard.calculate_costs(rates, prices)

Calcule os Custos Totais com base nas taxas de aplicação e preços com esta função. Ao fornecer uma application_rate_list de Datasets com os atributos AppliedRate e uma correspondente price_per_unit_list, você pode agregar despesas relacionadas a várias atividades agrícolas, apoiando o gerenciamento orçamentário e o planejamento financeiro. A saída é usada como costs emgeopard.calculate_profit.

calculate_revenue

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

Calcule a Receita a partir do Dataset de Rendimento usando esta função. Ao inserir yield_as_mass associado ao atributo do Dataset de Rendimento e o yield_price_per_unit, você pode estimar a renda gerada pela produção de culturas, facilitando avaliações econômicas. A saída é usada como costs emgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Determine o Lucro subtraindo os Custos da Receita usando esta função. Ao fornecer as revenue e costs variáveis (de funções anteriores), você pode calcular facilmente o ganho financeiro de suas operações agrícolas, apoiando análises de lucratividade e tomada de decisão estratégica.

fill_value_for_range

# mantenha apenas valores entre 10 e 20, substitua o resto por 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Esta função filtra valores dentro de um intervalo especificado no array de entrada. Ao fornecer o array de entrada. array, juntamente com os opcionais min_value e opcional max_value de limiares, você pode isolar valores que caem dentro do intervalo desejado. O value_to_fill parâmetro permite substituir valores fora do intervalo por um valor especificado, aprimorando processos de filtragem e normalização de dados.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Use esta função para calcular o Erro Absoluto Médio (MAE) por pixel entre dois datasets. Ela fornece um mapa espacial das diferenças absolutas. A "diferença absoluta" é simplesmente o tamanho da lacuna entre valores de pixels correspondentes, ignorando se um é maior ou menor.

A função ajuda a identificar áreas com discrepâncias maiores.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Esta função calcula a divergência relativa para cada pixel entre dois datasets, expressando a diferença como uma porcentagem do valor em dataset_1. Essencialmente, mostra o quanto o valor de um pixel difere do valor correspondente em dataset_1 em termos proporcionais.

Essa abordagem é particularmente valiosa ao analisar variações em propriedades do solo, rendimento de culturas ou dados de sensoriamento remoto, permitindo identificar rapidamente áreas com diferenças proporcionais significativas.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Esta função subtrai um dataset de outro para criar um mapa de diferença. Ela destaca áreas onde os valores em um dataset são maiores ou menores em comparação com o outro, tornando mais fácil identificar tendências e mudanças ao longo do tempo.

Esta ferramenta é especialmente útil para visualizar variações em propriedades do solo, rendimento de culturas ou dados de sensoriamento remoto, ajudando a identificar rapidamente áreas-chave que podem exigir análise ou intervenção adicionais.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Esta função calcula a diferença relativa para cada pixel normalizando a diferença entre os datasets usando os valores de dataset_2. Isso significa que mostra o quão significativa é a mudança em relação à magnitude de dataset_2.

Tal comparação proporcional é especialmente útil ao lidar com datasets de escalas variadas, ajudando a revelar deslocamentos relativos em propriedades do solo, rendimentos de culturas ou saídas de sensores. Essa abordagem permite identificar áreas com variações notáveis.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Esta função calcula a diferença normalizada para cada pixel escalando ambos os datasets em relação ao seu valor máximo global. Esse processo torna os datasets diretamente comparáveis mesmo que originalmente tenham faixas diferentes.

O mapa resultante fornece uma visão clara das variações em propriedades do solo, rendimento de culturas e dados de sensoriamento remoto, permitindo identificar e avaliar rapidamente diferenças importantes.

build_zones_by_intervals

# intervalos para zonificação
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Esta função cria um mapa de zonas de manejo classificando uma camada raster contínua em zonas discretas com base em intervalos de valores definidos pelo usuário.

Cada intervalo define uma zona, e cada pixel é atribuído à zona cujo intervalo de valores ele pertence. Pixels que não correspondem a nenhum intervalo são marcados como -1.

Essa abordagem de zonificação é comumente usada para transformar mapas de rendimento, propriedades do solo ou índices de sensoriamento remoto em zonas de manejo acionáveis para aplicações de taxa variável.

Casos de uso típicos

• Criar zonas de manejo a partir de camadas de rendimento, NDVI ou solo

• Preparar mapas de zonas para cálculos de taxa de nutrientes ou semeadura

• Segmentar campos em zonas homogêneas para tomada de decisão

calculate_nutrient_rate_as_active_ingredients_per_zone

# opções target_nutrient
target_nutrient_option1 = 50 # número constante
# OU
target_nutrient_option2 = {1: 20, 2: 40} # dicionário por zona
# OU
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # camada raster contínua

# opções applied_nutrient_operations
applied_operations = [
    5,                                      # operação1 como número constante
    {1: 2, 2: 4},                           # operação2 como dicionário por zona
    np.array([[1, 1], [2, 3]], dtype=float) # operação3 como camada raster contínua
]

# uso
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 # ou []
)

Esta função calcula a taxa necessária de aplicação de nutriente (ingrediente ativo) para cada zona de manejo.

O cálculo é baseado em:

• um nível de nutriente alvo,

• fornecimento de nutriente disponível para a planta a partir do solo,

• nutrientes já aplicados por operações anteriores (esterco, fertilizantes, digestato, etc.).

As operações de nutrientes aplicadas podem ser fornecidas como constantes, valores por zona, camadas raster ou qualquer combinação desses. Todas as entradas são automaticamente resolvidas e agregadas por zona.

Por padrão, a taxa necessária é calculada como a diferença entre o nível de nutriente alvo e a soma do aporte do solo e dos nutrientes aplicados. O resultado é retornado como um mapa raster onde cada zona contém uma taxa de nutriente uniforme.

convert_active_ingredient_and_product

# coeficiente de conversão ingrediente_ativo para produto e vice-versa
corrected_coefficient = 1.5  # coeficiente constante
# OU
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # coeficientes por pixel

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

Esta função converte uma camada raster entre taxas de ingrediente ativo e taxas de produto usando um coeficiente de correção.

O corrected_coefficient pode ser um único float (aplicado a todos os pixels) ou uma matriz de coeficiente (conversão por pixel). É tipicamente usado para traduzir requisitos de nutrientes calculados (ingrediente ativo) em taxas reais de aplicação de produto, ou vice-versa, com base na composição do fertilizante ou concentração do nutriente. A conversão é aplicada pixel a pixel, preservando a estrutura espacial da camada original.

Converter taxas de nutrientes para taxas de produto fertilizante

Casos de uso típicos

• Ajustar mapas de aplicação com base na concentração de nutrientes

• Preparar mapas de prescrição finais para máquinas

• estimate_texture_class_based_on_usda

usda_texture = geopard.estimate_texture_class_based_on_usda(

sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
    Esta função estima a textura do solo segundo o USDA para cada pixel usando percentagens de areia, silte e argila.
)

Forneça três camadas raster em percentagem (0-100) que representem as frações de tamanho de partícula. A saída é

nomes de classes USDA como areia, areia franca, areia argilosa, franco, franco-arenoso, franco-argiloso-arenoso, franco-argiloso, franco-argiloso-areinoso, argiloso, ou indefinido quando as entradas são inválidas. estimate_texture_class_based_on_fao_wrb

fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(

Esta função estima a classe de textura do solo FAO/WRB (ISO 11277) para cada pixel com base nas percentagens de areia, silte e argila.
    silt_pct_layer,
    clay_pct_layer
    Esta função estima a textura do solo segundo o USDA para cada pixel usando percentagens de areia, silte e argila.
)

Códigos de classe FAO/WRB como

nomes de classes USDA como S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, ou indefinido quando as entradas são inválidas calculate_soil_bulk_density.

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Esta função calcula

a densidade aparente do solo (g/cm³) com base na classe de textura e no opcional teor de matéria orgânica do solo (SOM) texture_class_layer.

O deve conter nomes de classes ou códigos produzidos pela função de textura USDA ou pela função de textura FAO/WRB mencionadas acima. som_pct_layer

Se é fornecido (percentual), a função ajusta a densidade aparente usando SOM. Caso contrário, ela retorna valores de densidade aparente do solo (g/cm³) associados às classes de textura de acordo com o USDA ou FAO/WRB. som_pct_layer