Каталог пользовательских функций

Эти функции инкапсулируют сложный Python‑код, позволяя легко реализовывать продвинутые преобразования и расчёты данных.

GeoPard предлагает полный каталог пользовательских функций, предназначенных для повышения читаемости и функциональности аналитики на основе уравнений. Эти функции инкапсулируют сложный python код, позволяя вам с легкостью реализовывать сложные преобразования данных и вычисления.

Введите уравнение

Введите уравнение

Список доступных встроенных функций для создания более понятных и удобных для сопровождения уравнений в GeoPard включен в пакет geopard :

fill_gaps_with_k_neighbors

# input_data — это слой атрибута Dataset (например, урожайность, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Эта функция восстанавливает пробелы в данных или нули в наборе данных с помощью алгоритма K-Neighbors. Указывая переменную input_data (как Dataset с выбранным атрибутом) и количество соседей k, вы можете без труда заполнять пропущенные значения, обеспечивая непрерывность и целостность данных.

Эта функция хорошо работает, когда пропуски в данных распределены по полю и не привязаны к какой-либо конкретной части границы поля.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Используйте эту функцию для расчета покомпонентного сходства между двумя Dataset. Переменные data_layer_1 и data_layer_2 должны представлять одно и то же измерение в одинаковых единицах чтобы обеспечить осмысленное сравнение. Передавая переменные data_layer_1 и data_layer_2 , связанные с Dataset, вы можете построить карту сходства со значениями от 0 до 1, что облегчает сравнительные исследования и распознавание закономерностей.

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)

Используйте эту функцию для расчета покомпонентного сходства между двумя нормализованными наборами данных. Нормализация рекомендуется, когда исходные data_layer_1 и data_layer_2 имеют разные масштабы или единицы измерения. Передавая эти наборы данных в качестве входных данных, функция строит карту сходства со значениями от 0 до 1, что делает ее подходящей для сравнительных исследований, распознавания закономерностей и анализа пространственной согласованности.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Эта функция оценивает сходство low-high между двумя Dataset. Передавая переменные data_layer_1 и data_layer_2 , связанные с Dataset, вы получаете классифицированную карту сходства, показывающую такие сочетания, как low-low, low-high, high-low и high-high, что полезно для более тонкой классификации данных.

get_value_for_zone

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

Используйте эту функцию, чтобы извлечь все значения из атрибута Dataset внутри одной зоны. Укажите data_layer (слой атрибута), zones_layer (карта зон) и zone_id (номер зоны), чтобы изолировать значения для анализа, например урожайность, норму внесения или норму высева, внутри этой зоны.

drop_value

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

Эта функция позволяет удалить определенные значения из атрибута набора данных. Указав data_layer и value_to_drop, вы можете очистить набор данных, исключив эти значения из результата, технически заменив их на NaN.

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Нормализуйте атрибут набора данных с помощью этой функции. Передавая data_layer, вы можете масштабировать данные к стандартному диапазону от 0 до 1, что облегчает сравнение и интеграцию между разными наборами данных.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # используйте 1.0, чтобы сохранить единицы измерения, или скорректируйте по концентрации продукта

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Рассчитайте общее внесенное количество удобрения в единицах на площадь (например, кг/га, л/га, гал/акр и т. д.). Передавая application_list наборы данных с атрибутами AppliedRate и соответствующим active_ingredient_coefficient_list для продуктов удобрений, вы получите фактически общее внесенное удобрение в единицах (например, в кг, л, гал и т. д.).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # доля N (действующего вещества) в каждом продукте

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Рассчитайте общее внесенное количество азота в кг/га с помощью этой функции. Передавая application_list наборы данных с атрибутами AppliedRate и соответствующим active_ingredient_coefficient_list с азотными продуктами для преобразования фактического азота в кг/га, вы можете точно вычислить общее внесенное количество азота, что важно для планирования сельского хозяйства и оценки устойчивости. Результат используется как N_total_applied вgeopard.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
)

Определите поглощение азота в кг/га с помощью этой функции. Передавая yield_wet_tha, moisture_pct, protein_pct из Dataset урожайности и protein_crop_correction_coefficient представляющий связь белка с поглощением азота, вы можете оценить эффективность использования азота в растениеводстве. Результат используется как N_uptake вgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Оцените эффективность использования азота в процентах с помощью этой функции. Передавая N_total_applied и N_uptake переменные (из предыдущих функций), вы можете измерить эффективность внесения азота, что помогает оптимизировать использование удобрений.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # цена за единицу для каждого слоя нормы
costs = geopard.calculate_costs(rates, prices)

Рассчитайте общие затраты на основе норм внесения и цен с помощью этой функции. Предоставляя application_rate_list наборы данных с атрибутами AppliedRate и соответствующим price_per_unit_list, вы можете агрегировать расходы, связанные с различными сельскохозяйственными операциями, поддерживая управление бюджетом и финансовое планирование. Результат используется как costs вgeopard.calculate_profit.

calculate_revenue

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

Рассчитайте выручку по Dataset урожайности с помощью этой функции. Передавая yield_as_mass связанное с атрибутом Dataset урожайности и yield_price_per_unit, вы можете оценить доход, полученный от производства сельскохозяйственной продукции, что облегчает экономическую оценку. Результат используется как costs вgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Определите прибыль, вычитая затраты из выручки с помощью этой функции. Предоставляя revenue и costs переменные (из предыдущих функций), вы можете легко вычислить финансовую прибыль от вашей сельскохозяйственной деятельности, поддерживая анализ рентабельности и стратегическое принятие решений.

fill_value_for_range

# оставить только значения между 10 и 20, остальные заменить на 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Эта функция фильтрует значения в заданном диапазоне в input массиве. Передавая input массив вместе с необязательными min_value и необязательными max_value порогами, вы можете изолировать значения, попадающие в нужный диапазон. Параметр value_to_fill позволяет заменять значения вне диапазона на указанное значение, улучшая процессы фильтрации и нормализации данных.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Используйте эту функцию для вычисления средней абсолютной ошибки (MAE) на пиксель между двумя наборами данных. Она формирует пространственную карту абсолютных различий. «Абсолютная разница» — это просто величина разрыва между соответствующими значениями пикселей, без учета того, какое из них больше или меньше.

Функция помогает выявлять области с большими расхождениями.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Эта функция вычисляет относительное отклонение для каждого пикселя между двумя наборами данных, выражая разницу в процентах от значения в dataset_1. По сути, она показывает, насколько значение одного пикселя отклоняется от соответствующего значения в dataset_1 в пропорциональном выражении.

Этот подход особенно полезен при анализе вариаций свойств почвы, урожайности или данных дистанционного зондирования, поскольку помогает быстро выявлять области со значительными пропорциональными различиями.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Эта функция вычитает один набор данных из другого, создавая карту разницы. Она выделяет области, где значения в одном наборе данных выше или ниже по сравнению с другим, что облегчает выявление тенденций и изменений во времени.

Этот инструмент особенно полезен для визуализации изменений свойств почвы, урожайности или данных дистанционного зондирования, помогая быстро определить участки, которые могут потребовать дополнительного анализа или вмешательства.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Эта функция вычисляет относительную разницу для каждого пикселя, нормализуя разницу между наборами данных с использованием значений из dataset_2. Это означает, что она показывает, насколько значимо изменение по отношению к величине dataset_2.

Такое пропорциональное сравнение особенно полезно при работе с наборами данных разных масштабов, помогая выявлять относительные сдвиги в свойствах почвы, урожайности или выходных данных датчиков. Этот подход помогает точно определить участки с заметной вариабельностью.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Эта функция вычисляет нормализованную разницу для каждого пикселя, масштабируя оба набора данных относительно их глобального максимального значения. Этот процесс делает наборы данных напрямую сопоставимыми, даже если изначально у них разные диапазоны.

Полученная карта дает наглядное представление о вариациях свойств почвы, урожайности и данных дистанционного зондирования, позволяя быстро выявлять и оценивать ключевые различия.

build_zones_by_intervals

# интервалы для зонирования
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Эта функция создает карту управленческих зон, классифицируя непрерывный растровый слой в дискретные зоны на основе заданных пользователем интервалов значений.

Каждый интервал определяет зону, и каждому пикселю назначается зона, в диапазон значений которой он попадает. Пиксели, не соответствующие ни одному интервалу, помечаются как -1.

Такой подход к зонированию обычно используется для преобразования карт урожайности, свойств почвы или индексов дистанционного зондирования в практические управленческие зоны для дифференцированного внесения.

Типичные варианты использования

• Создание управленческих зон по слоям урожайности, NDVI или почвы

• Подготовка карт зон для расчета норм внесения удобрений или высева

• Разделение полей на однородные зоны для принятия решений

calculate_nutrient_rate_as_active_ingredients_per_zone

# варианты target_nutrient
target_nutrient_option1 = 50 # постоянное число
# ИЛИ
target_nutrient_option2 = {1: 20, 2: 40} # словарь по зонам
# ИЛИ
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # непрерывный растровый слой

# варианты applied_nutrient_operations
applied_operations = [
    5,                                      # операция1 как постоянное число
    {1: 2, 2: 4},                           # операция2 как словарь по зонам
    np.array([[1, 1], [2, 3]], dtype=float) # операция3 как непрерывный растровый слой
]

# использование
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 # или []
)

Эта функция рассчитывает требуемую норму внесения питательного элемента (действующего вещества) для каждой управленческой зоны.

Расчет основан на:

• целевом уровне питательного элемента,

• доступном для растений запасе питательного элемента в почве,

• питательных веществах, уже внесенных в ходе предыдущих операций (навоз, удобрения, дигестат и т. д.).

Внесенные операции с питательными веществами могут быть заданы как константы, значения по зонам, растровые слои или любая их комбинация. Все входные данные автоматически приводятся и агрегируются по зонам.

По умолчанию требуемая норма рассчитывается как разница между целевым уровнем питательного элемента и суммой почвенного запаса и внесенных питательных веществ. Результат возвращается в виде растровой карты, где каждая зона содержит одинаковую норму питательного элемента.

convert_active_ingredient_and_product

# коэффициент пересчета active_ingredient в product и обратно
corrected_coefficient = 1.5  # постоянный коэффициент
# ИЛИ
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # коэффициенты по пикселям

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

Эта функция преобразует растровый слой между нормами действующего вещества и нормами продукта с использованием поправочного коэффициента.

The corrected_coefficient может быть одним float (применяемым ко всем пикселям) или матрицей коэффициентов (преобразование по пикселям). Обычно она используется для перевода рассчитанных потребностей в питательных веществах (действующее вещество) в фактические нормы внесения продукта, или наоборот, в зависимости от состава удобрения или концентрации питательного элемента.

Преобразование применяется по пикселям, сохраняя пространственную структуру исходного слоя.

Типичные варианты использования

• Преобразование норм питательных веществ в нормы внесения удобрений-продуктов

• Корректировка карт внесения в зависимости от концентрации питательного элемента

• Подготовка итоговых карт-заданий для техники

estimate_texture_class_based_on_usda

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

Эта функция оценивает текстурный класс почвы USDA для каждого пикселя, используя процентное содержание песка, ила и глины.

Укажите три растровых слоя в процентах (0–100), которые представляют фракции по размеру частиц. Результат — имена классов USDA, такие как sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay или undefined когда входные данные некорректны.

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
)

Эта функция оценивает класс текстуры почвы FAO/WRB (ISO 11277) для каждого пикселя на основе процентного содержания песка, ила и глины.

Укажите три растровых слоя в процентах (0–100), которые представляют фракции по размеру частиц. Результат — Коды классов FAO/WRB, такие как S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC или undefined когда входные данные некорректны.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Эта функция рассчитывает объемную плотность почвы (g/cm³) на основе текстурного класса и необязательного содержания органического вещества в почве (SOM).

The texture_class_layer должен содержать имена классов или коды, полученные с помощью функции текстуры USDA или функции текстуры FAO/WRB упомянутых выше.

Если som_pct_layer передан как процентное значение, функция корректирует объемную плотность с учетом SOM. В противном случае она возвращает значения объемной плотности почвы в g/cm³, соответствующие текстурным классам согласно справочникам USDA или FAO/WRB.