Catalog de funcții personalizate

Aceste funcții încorporează cod Python complex, permițându-vă să implementați cu ușurință manipulări și calcule sofisticate de date.

GeoPard oferă un Catalog cuprinzător de Funcții Personalizate conceput pentru a îmbunătăți lizibilitatea și funcționalitatea Analiticelor bazate pe Ecuații. Aceste funcții încapsulează complex python cod, permițându-vă să implementați manipulări și calcule de date sofisticate cu ușurință.

Introduceți Ecuația

Introduceți o Ecuație

Lista funcțiilor pre-construite disponibile pentru a crea Ecuații mai intuitive și ușor de întreținut în platforma GeoPard este inclusă în geopard pachet:

fill_gaps_with_k_neighbors

# input_data este un strat atribut al Dataset-ului (de ex., Recoltă, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Această funcție restaurează golurile de date sau valorile zero dintr-un dataset folosind algoritmul K-Neighbors. Specificând input_data variabila (ca Dataset cu atributul selectat) și numărul de vecini k, puteți completa fără probleme valorile lipsă, asigurând continuitatea și integritatea datelor.

Această funcție funcționează bine când golurile de date sunt distribuite în întreaga cultură și nu sunt concentrate într-o anumită parte a limitei parcelei.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Utilizați această funcție pentru a calcula similaritatea per-pixel între două Datasets. Variabilele data_layer_1 și data_layer_2 ar trebui să reprezinte aceeași măsurătoare în aceleași unități pentru a asigura o comparație semnificativă. Prin furnizarea variabilelor data_layer_1 și data_layer_2 asociate cu Datasets, puteți genera o hartă de similaritate cu valori între 0 și 1, facilitând studiile comparative și recunoașterea tiparelor.

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)

Utilizați această funcție pentru a calcula similaritatea per-pixel între două seturi de date normalizate. Normalizarea este recomandată când datele originale data_layer_1 și data_layer_2 au scale sau unități diferite. Prin furnizarea acestor dataset-uri ca intrare, funcția generează o hartă de similaritate cu valori între 0 și 1, ceea ce o face potrivită pentru studii comparative, recunoaștere de tipare și analiză a consistenței spațiale.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Această funcție evaluează similaritatea jos-sus între două Datasets. Introducând variabile data_layer_1 și data_layer_2 asociate cu Datasets, primiți o hartă de similaritate categorizată indicând combinații precum jos-jos, jos-sus, sus-jos și sus-sus, ceea ce este util pentru clasificări nuanțate ale datelor.

get_value_for_zone

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

Utilizați această funcție pentru a extrage toate valorile unui atribut de Dataset dintr-o singură zonă. Furnizați data_layer (stratul atribut), zones_layer (harta zonelor), și zone_id (numărul zonei) pentru a izola valorile pentru analiză, cum ar fi producția, rata de aplicare sau rata de semănat, în acea zonă.

drop_value

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

Această funcție vă permite să eliminați valori specifice dintr-un atribut de Dataset. Specificând data_layer asociate unui atribut de Dataset și value_to_drop ca un număr, puteți curăța datele atributului Dataset eliminându-le din rezultat (tehnic înlocuind valorile nedorite cu NaN).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normalizați eficient atributul Dataset-ului cu această funcție. Prin introducerea data_layer asociate cu atributul Dataset-ului, puteți scala datele la un interval standardizat de la 0 la 1, facilitând comparația și integrarea între diferite Datasets.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # folosiți 1.0 pentru a păstra unitățile, sau ajustați pentru concentrația produsului

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Calculați Fertilizatorul Total Aplicat în unități pe suprafață (de exemplu, în kg/ha, l/ha, gal/ac etc). Prin furnizarea application_list Datasets cu atribute AppliedRate și corespondentele active_ingredient_coefficient_list cu produse fertilizante pentru a obține fertilizatorul total aplicat real în unități (de exemplu, în kg, l, gal etc).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # fracțiunea N (ingredient activ) în fiecare produs

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Calculați Azotul Total Aplicat în kg/ha folosind această funcție. Prin furnizarea application_list Datasets cu atribute AppliedRate și corespondentele active_ingredient_coefficient_list cu produse cu azot pentru a converti azotul efectiv în kg/ha, puteți calcula cu acuratețe Azotul Total Aplicat, esențial pentru planificarea agricolă și evaluările de durabilitate. Rezultatul este utilizat ca N_total_applied îngeopard.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
)

Determinați Preluarea Azotului în kg/ha cu această funcție. Prin furnizarea yield_wet_tha, moisture_pct, protein_pct din Dataset-ul de Recoltă și protein_crop_correction_coefficient reprezentând coeficientul de corecție pentru legătura dintre proteină și preluarea azotului, puteți evalua Eficiența utilizării azotului în producția de culturi. Rezultatul este utilizat ca N_uptake îngeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Evaluați Eficiența Utilizării Azotului ca procent folosind această funcție. Prin introducerea N_total_applied și N_uptake variabilelor (din funcțiile anterioare), puteți măsura eficacitatea aplicării azotului, ajutând la optimizarea utilizării îngrășămintelor.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # preț pe unitate pentru fiecare strat de rată
costs = geopard.calculate_costs(rates, prices)

Calculați Costurile Totale pe baza ratelor de aplicare și a prețurilor cu această funcție. Prin furnizarea unei application_rate_list de Datasets cu atributele AppliedRate și a unei corespunzătoare price_per_unit_list, puteți agrega cheltuielile legate de diverse activități agricole, sprijinind gestionarea bugetului și planificarea financiară. Rezultatul este utilizat ca costs îngeopard.calculate_profit.

calculate_revenue

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

Calculați Veniturile din Dataset-ul de Recoltă folosind această funcție. Prin introducerea yield_as_mass asociat cu atributul Dataset-ului de Recoltă și yield_price_per_unit, puteți estima veniturile generate din producția agricolă, facilitând evaluările economice. Rezultatul este utilizat ca costs îngeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Determinați Profitul scăzând Costurile din Venituri folosind această funcție. Prin furnizarea revenue și costs variabilelor (din funcțiile anterioare), puteți calcula cu ușurință câștigul financiar din operațiunile agricole, sprijinind analiza rentabilității și luarea deciziilor strategice.

fill_value_for_range

# păstrați doar valorile între 10 și 20, înlocuiți restul cu 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Această funcție filtrează valorile într-un interval specificat în input array. Prin furnizarea input array-ului, împreună cu opționalele min_value și opțional max_value praguri, puteți izola valorile care se încadrează în intervalul dorit. Parametrul value_to_fill permite înlocuirea valorilor din afara intervalului cu o valoare specificată, îmbunătățind procesele de filtrare și normalizare a datelor.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Folosiți această funcție pentru a calcula Eroarea Absolută Medie (MAE) per pixel între două seturi de date. Oferă o hartă spațială a diferențelor absolute. „Diferența absolută” este pur și simplu mărimea decalajului dintre valorile pixelilor corespunzători, ignorând dacă unul este mai mare sau mai mic.

Funcția ajută la identificarea zonelor cu discrepanțe mai mari.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Această funcție calculează abaterea relativă pentru fiecare pixel între două seturi de date, exprimând diferența ca procent din valoarea din dataset_1. În esență, arată cât deviază valoarea unui pixel față de valoarea corespunzătoare din dataset_1 în termeni proporționali.

Această abordare este deosebit de valoroasă atunci când analizați variațiile proprietăților solului, producției culturilor sau date de teledetecție, permițând identificarea rapidă a zonelor cu diferențe proporționale semnificative.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Această funcție scade un dataset din altul pentru a crea o hartă a diferențelor. Evidențiază zonele în care valorile dintr-un dataset sunt mai mari sau mai mici comparativ cu celălalt, facilitând identificarea tendințelor și schimbărilor în timp.

Acest instrument este deosebit de util pentru vizualizarea variațiilor în proprietățile solului, producția de cultură sau datele de teledetecție, ajutând la identificarea rapidă a zonelor cheie care pot necesita analize sau intervenții suplimentare.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Această funcție calculează diferența relativă pentru fiecare pixel prin normalizarea diferenței dintre seturile de date utilizând valorile din dataset_2. Aceasta înseamnă că arată cât de semnificativă este schimbarea în raport cu magnitudinea dataset_2.

O astfel de comparație proporțională este deosebit de utilă când se lucrează cu seturi de date cu scale diferite, ajutând la evidențierea modificărilor relative în proprietățile solului, producțiile culturilor sau valorile senzorilor. Această abordare permite identificarea zonelor cu variații notabile.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Această funcție calculează diferența normalizată pentru fiecare pixel prin scalarea ambelor seturi de date față de valoarea lor maximă globală. Acest proces face seturile de date direct comparabile chiar dacă inițial au intervale diferite.

Harta rezultată oferă o imagine clară a variațiilor în proprietățile solului, producția de cultură și datele de teledetecție, permițând identificarea și evaluarea rapidă a diferențelor cheie.

build_zones_by_intervals

# intervale pentru zonare
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Această funcție creează o hartă de zone de management prin clasificarea unui strat raster continuu în zone discrete bazate pe intervale de valori definite de utilizator.

Fiecare interval definește o zonă, iar fiecărui pixel i se atribuie zona a cărei plajă de valori îl include. Pixelii care nu se încadrează în niciun interval sunt marcați cu -1.

Această metodă de zonare este utilizată frecvent pentru transformarea hărților de recoltă, proprietăților solului sau indicilor de teledetecție în zone de management acționabile pentru aplicații cu rată variabilă.

Cazuri tipice de utilizare

• Crearea zonelor de management din hărți de recoltă, NDVI sau straturi de sol

• Pregătirea hărților de zone pentru calcule de nutrienți sau rate de semănat

• Segmentarea parcelelor în zone omogene pentru luarea deciziilor

calculate_nutrient_rate_as_active_ingredients_per_zone

# opțiuni pentru target_nutrient
target_nutrient_option1 = 50 # număr constant
# SAU
target_nutrient_option2 = {1: 20, 2: 40} # dict pe zonă
# SAU
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # strat raster continuu

# opțiuni pentru applied_nutrient_operations
applied_operations = [
    5,                                      # operație1 ca număr constant
    {1: 2, 2: 4},                           # operație2 ca dict pe zonă
    np.array([[1, 1], [2, 3]], dtype=float) # operație3 ca strat raster continuu
]

# utilizare
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 # sau []
)

Această funcție calculează rata necesară de aplicare a nutrienților (ingredient activ) pentru fiecare zonă de management.

Calculul se bazează pe:

• un nivel țintă de nutrient,

• aportul de nutrienți disponibil plantelor din sol,

• nutrienții deja aplicați prin operații precedente (gunoi de grajd, îngrășăminte, digestat etc.).

Operațiile de nutrienți aplicate pot fi furnizate ca constante, valori pe zonă, straturi raster sau orice combinație a acestora. Toate intrările sunt rezolvate și agregate automat pe zonă.

Implicit, rata necesară este calculată ca diferența dintre nivelul țintă de nutrient și suma aportului din sol și a nutrienților aplicați. Rezultatul este returnat ca o hartă raster în care fiecare zonă conține o rată uniformă de nutrient.

convert_active_ingredient_and_product

# coeficient de conversie ingredient_activ la produs și invers
corrected_coefficient = 1.5  # coeficient constant
# SAU
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # coeficienți per-pixel

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

Această funcție convertește un strat raster între rate de ingredient activ și rate de produs folosind un coeficient de corecție.

The corrected_coefficient can be a single float (applied to all pixels) or a coefficient matrix (per-pixel conversion). It is typically used to translate calculated nutrient requirements (active ingredient) into actual product application rates, or vice versa, based on fertilizer composition or nutrient concentration.

The conversion is applied pixel-wise, preserving the spatial structure of the original layer.

Cazuri tipice de utilizare

• Converting nutrient rates to fertilizer product rates

• Adjusting application maps based on nutrient concentration

• Preparing final prescription maps for machinery

estimate_texture_class_based_on_usda

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

This function estimates USDA soil texture for each pixel using sand, silt, and clay percentages.

Provide three raster layers in percent (0-100) that represent the particle-size fractions. The output is USDA class names such as sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay, or undefined when inputs are invalid.

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
)

This function estimates the FAO/WRB (ISO 11277) soil texture class for each pixel based on sand, silt, and clay percentages.

Provide three raster layers in percent (0-100) that represent the particle-size fractions. The output is FAO/WRB class codes such as S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, or undefined when inputs are invalid.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

This function calculates soil bulk density (g/cm³) based on texture class and optional soil organic matter (SOM).

The texture_class_layer should contain class names or codes produced by the USDA texture function or the FAO/WRB texture function mentioned above.

Dacă som_pct_layer is provided (percent), the function adjusts bulk density using SOM. Otherwise, it returns soil bulk density (g/cm³) values associated with texture classes according to the USDA or FAO/WRB lookup.