Catálogo de Funções Personalizadas
Essas funções encapsulam código Python complexo, permitindo implementar manipulações e cálculos sofisticados de dados com facilidade.
A GeoPard oferece um catálogo abrangente de funções personalizadas projetadas para melhorar a legibilidade e a funcionalidade de análises baseadas em equações. Essas funções encapsulam complexos python código, permitindo implementar manipulações e cálculos sofisticados de dados com facilidade.
Inserir Equação
A lista de funções pré-construídas disponíveis para criar equações mais intuitivas e fáceis de manter no GeoPard está incluída no geopard pacote:
fill_gaps_with_k_neighbors
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 pela área e não concentradas em nenhuma parte específica da borda do campo.
determine_data_similarity
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 medida 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 de 0 a 1, facilitando estudos comparativos e o reconhecimento de padrões.
determine_data_similarity_from_normalized
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 de 0 a 1, tornando-o adequado para estudos comparativos, reconhecimento de padrões e análise de consistência espacial.
determine_low_high_similarity
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 uma classificação de dados mais refinada.
get_value_for_zone
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 produtividade, taxa de aplicação ou taxa de sementes, dentro dessa zona.
drop_value
Esta função permite remover valores específicos de um atributo de dataset. Ao especificar data_layer e value_to_drop, você pode limpar o dataset eliminando esses valores do resultado, tecnicamente substituindo-os por NaN.
normalize_data
Normalize um atributo de dataset com esta função. Ao passar data_layer, você pode escalonar os dados para uma faixa padronizada de 0 a 1, facilitando a comparação e a integração entre diferentes datasets.
calculate_total_applied_fertilizer
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 correspondentes active_ingredient_coefficient_list com produtos fertilizantes para obter o fertilizante total realmente aplicado em unidades (por exemplo, em kg, l, gal, etc).
calculate_total_applied_nitrogen
Calcule o Nitrogênio Total Aplicado em kg/ha usando esta função. Ao fornecer application_list Datasets com atributos AppliedRate e correspondentes active_ingredient_coefficient_list com produtos nitrogenados para converter o nitrogênio real para kg/ha, você pode calcular com precisão o Nitrogênio Total Aplicado, essencial para o planejamento agrícola e avaliações de sustentabilidade. A saída é usada como N_total_applied emgeopard.calculate_nitrogen_use_efficiency.
calculate_nitrogen_uptake
Determine a Absorção de Nitrogênio em kg/ha com esta função. Ao fornecer yield_wet_tha, moisture_pct, protein_pct do Dataset de Yield e protein_crop_correction_coefficient representando a ligação da proteína com a absorção de nitrogênio, você pode avaliar a Eficiência do Uso de Nitrogênio na produção agrícola. A saída é usada como N_uptake emgeopard.calculate_nitrogen_use_efficiency .
calculate_nitrogen_use_efficiency
Avalie a Eficiência do Uso de Nitrogênio como porcentagem usando esta função. Ao inserir N_total_applied e N_uptake variáveis (das funções anteriores), você pode medir a eficácia da aplicação de nitrogênio, ajudando a otimizar o uso de fertilizantes.
calculate_costs
Calcule os Custos Totais com base nas taxas de aplicação e nos preços usando 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 de orçamento e o planejamento financeiro. A saída é usada como costs emgeopard.calculate_profit.
calculate_revenue
Calcule a Receita a partir do Dataset de Yield usando esta função. Ao inserir yield_as_mass associado ao atributo do Dataset de Yield e o yield_price_per_unit, você pode estimar a receita gerada pela produção agrícola, facilitando avaliações econômicas. A saída é usada como costs emgeopard.calculate_profit .
calculate_profit
Determine o Lucro subtraindo os Custos da Receita usando esta função. Ao fornecer as revenue e costs variáveis (das funções anteriores), você pode calcular facilmente o ganho financeiro das operações agrícolas, apoiando a análise de rentabilidade e a tomada de decisão estratégica.
fill_value_for_range
Esta função filtra valores dentro de um intervalo especificado no input array. Ao fornecer o input array, juntamente com os opcionais min_value e o opcional max_value limites, você pode isolar valores que se enquadram no intervalo desejado. O parâmetro value_to_fill permite substituir valores fora do intervalo por um valor especificado, aprimorando os processos de filtragem e normalização de dados.
calculate_per_pixel_mae
Use esta função para calcular o Erro Médio Absoluto (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 pixel correspondentes, ignorando se um é maior ou menor.
A função ajuda a identificar áreas com discrepâncias maiores.
calculate_per_pixel_relative_deviation
Esta função calcula o desvio relativo para cada pixel entre dois datasets, expressando a diferença como uma porcentagem do valor em dataset_1. Essencialmente, ela mostra quanto o valor de um pixel se desvia do valor correspondente em dataset_1 em termos proporcionais.
Essa abordagem é particularmente valiosa ao analisar variações em propriedades do solo, produtividade de culturas ou dados de sensoriamento remoto, porque ajuda você a identificar rapidamente áreas com diferenças proporcionais significativas.
calculate_difference
Esta função subtrai um dataset de outro para criar um mapa de diferenças. Ela destaca áreas onde os valores em um dataset são maiores ou menores em comparação com o outro, facilitando a identificação de tendências e mudanças ao longo do tempo.
Essa ferramenta é especialmente útil para visualizar variações em propriedades do solo, produtividade de culturas ou dados de sensoriamento remoto, ajudando você a identificar rapidamente áreas que podem exigir análise ou intervenção adicional.
calculate_relative_difference
Esta função calcula a diferença relativa para cada pixel normalizando a diferença entre os datasets usando os valores de dataset_2. Isso significa que ela mostra quão significativa é a mudança em relação à magnitude de dataset_2.
Essa comparação proporcional é especialmente útil ao trabalhar com datasets de diferentes escalas, ajudando a revelar mudanças relativas em propriedades do solo, produtividades agrícolas ou saídas de sensores. Essa abordagem ajuda a apontar áreas com variação notável.
calculate_normalized_difference
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, produtividade de culturas e dados de sensoriamento remoto, permitindo identificar e avaliar rapidamente as principais diferenças.
build_zones_by_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 cuja faixa de valores ele corresponde. Pixels que não correspondem a nenhum intervalo são marcados como -1.
Essa abordagem de zoneamento é comumente usada para transformar mapas de produtividade, propriedades do solo ou índices de sensoriamento remoto em zonas de manejo acionáveis para aplicações em taxa variável.
Casos de uso típicos
Criar zonas de manejo a partir de camadas de produtividade, NDVI ou solo
Preparar mapas de zonas para cálculos de taxa de nutrientes ou de semeadura
Segmentar campos em zonas homogêneas para tomada de decisão
calculate_nutrient_rate_as_active_ingredients_per_zone
Esta função calcula a taxa de aplicação de nutrientes necessária (ingrediente ativo) para cada zona de manejo.
O cálculo é baseado em:
um nível-alvo de nutriente,
a oferta de nutriente disponível para a planta no solo,
os 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 disso. Todas as entradas são automaticamente resolvidas e agregadas por zona.
Por padrão, a taxa necessária é calculada como a diferença entre o nível-alvo de nutriente 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
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 um coeficiente matriz (conversão por pixel). Ela é normalmente usada para traduzir necessidades de nutrientes calculadas (ingrediente ativo) em taxas reais de aplicação do produto, ou vice-versa, com base na composição do fertilizante ou na concentração de nutrientes.
A conversão é aplicada pixel a pixel, preservando a estrutura espacial da camada original.
Casos de uso típicos
Converter taxas de nutrientes em taxas de produtos fertilizantes
Ajustar mapas de aplicação com base na concentração de nutrientes
Preparar mapas de prescrição finais para máquinas
estimate_texture_class_based_on_usda
Esta função estima a textura do solo segundo o USDA para cada pixel usando as porcentagens de areia, silte e argila.
Forneça três camadas raster em porcentagem (0-100) que representem as frações de tamanho de partícula. A saída é nomes de classes USDA como sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay ou undefined quando as entradas são inválidas.
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 porcentagens de areia, silte e argila.
Forneça três camadas raster em porcentagem (0-100) que representem as frações de tamanho de partícula. A saída é Códigos de classe FAO/WRB como S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC ou undefined quando as entradas são inválidas.
calculate_soil_bulk_density
Esta função calcula a densidade aparente do solo (g/cm³) com base na classe de textura e na matéria orgânica do solo (MOS) opcional.
O texture_class_layer deve conter nomes ou códigos de classe produzidos pela função de textura USDA ou pela função de textura FAO/WRB mencionada acima.
Se som_pct_layer for fornecida como valor percentual, a função ajusta a densidade aparente usando a MOS. Caso contrário, ela retorna valores de densidade aparente do solo em g/cm³ associados às classes de textura conforme a consulta USDA ou FAO/WRB.
Atualizado
Isto foi útil?