Katalog prilagojenih funkcij

Te funkcije vključujejo zapleteno Python kodo, kar vam omogoča enostavno izvajanje sofisticiranih manipulacij in izračunov podatkov.

GeoPard ponuja obsežen katalog funkcij po meri, zasnovanih za izboljšanje berljivosti in funkcionalnosti enačbeno temelječih analiz. Te funkcije zajemajo kompleksne python kode, kar vam omogoča enostavno izvajanje sofisticiranih manipulacij in izračunov podatkov.

Vnesite enačbo

Vnesite enačbo

Seznam razpoložljivih vnaprej izdelanih funkcij za ustvarjanje bolj intuitivnih in vzdržljivih enačb znotraj platforme GeoPard je vključen v geopard paket:

fill_gaps_with_k_neighbors

# input_data je plast atributov nabora podatkov (npr. Pridelek, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Ta funkcija obnavlja vrzeli ali ničelne vrednosti v naboru podatkov z uporabo algoritma K-sosedov. Z določitvijo input_data spremenljivke (kot Nabor podatkov z izbranim atributom) in števila sosedov k, lahko brez težav zapolnite manjkajoče vrednosti in s tem zagotovite kontinuiteto in integriteto podatkov.

Funkcija dobro deluje, kadar so vrzeli v podatkih porazdeljene po polju in niso omejene na določen del robu polja.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Uporabite to funkcijo za izračun podobnosti na nivoju piksla med dvema naboroma podatkov. Spremenljivki data_layer_1 in data_layer_2 bi morali predstavljati isto meritev v istih enotah za smiselno primerjavo. Z zagotovitvijo spremenljivk data_layer_1 in data_layer_2 povezanih z nabori podatkov, lahko ustvarite karto podobnosti z vrednostmi od 0 do 1, kar olajša primerjalne študije in prepoznavanje vzorcev.

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)

Uporabite to funkcijo za izračun podobnosti na nivoju piksla med dvema normaliziranima naboroma podatkov. Normalizacija je priporočljiva, kadar ima prvotni data_layer_1 in data_layer_2 različne razpone ali enote. Z zagotovitvijo teh normaliziranih nizov kot vhodnih podatkov funkcija ustvari karto podobnosti z vrednostmi od 0 do 1, kar je primerno za primerjalne študije, prepoznavanje vzorcev in analizo prostorske skladnosti.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Ta funkcija oceni podobnost nizko-visoko med dvema naboroma podatkov. Z vnosom spremenljivk data_layer_1 in data_layer_2 povezanih z nabori podatkov, prejmete kategorizirano karto podobnosti, ki označuje kombinacije, kot so nizko-nizko, nizko-visoko, visoko-nizko in visoko-visoko, kar je uporabno za podrobnejšo klasifikacijo podatkov.

get_value_for_zone

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

Uporabite to funkcijo za izvleček vseh vrednosti atributa nabora podatkov znotraj posamezne cone. Posredujte data_layer (plast atributa), zones_layer (karto con) in zone_id (številko cone) za izolacijo vrednosti za analizo, na primer pridelka, stopnje aplikacije ali stopnje setve znotraj te cone.

drop_value

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

Ta funkcija vam omogoča odstranitev določenih vrednosti iz atributa nabora podatkov. Z določanjem data_layer povezanih z atributom nabora podatkov in value_to_drop kot števila lahko očistite podatke atributa nabora podatkov tako, da jih odstranite iz rezultata (tehnično zamenjate nezaželene vrednosti z NaN).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Normalizirajte atribut nabora podatkov učinkovito s to funkcijo. Z vnosom data_layer povezanih z atributom nabora podatkov lahko podatke skalirate v standardiziran razpon od 0 do 1, kar olajša primerjavo in integracijo med različnimi nabori podatkov.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # uporabite 1.0 za ohranitev enot ali prilagodite glede na koncentracijo izdelka

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Izračunajte skupno naneseno gnojilo v enotah na površino (na primer kg/ha, l/ha, gal/ac itd.). Z zagotovitvijo application_list naborov podatkov z atributi AppliedRate in ustreznimi active_ingredient_coefficient_list za gnojila, da dobite dejansko skupno naneseno količino v enotah (na primer kg, l, gal itd.).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # delež N (aktivne snovi) v vsakem izdelku

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Izračunajte skupno naneseni dušik v kg/ha s to funkcijo. Z zagotovitvijo application_list naborov podatkov z atributi AppliedRate in ustreznimi active_ingredient_coefficient_list z izdelki, ki vsebujejo dušik, za pretvorbo dejanskega dušika v kg/ha, lahko natančno izračunate skupno naneseni dušik, kar je bistveno za kmetijsko načrtovanje in ocene trajnostnosti. Izhod se uporablja kot N_total_applied vgeopard.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
)

Določite vnos dušika v kg/ha s to funkcijo. Z zagotovilom yield_wet_tha, moisture_pct, protein_pct iz nabora podatkov Pridelek in protein_crop_correction_coefficient ki predstavlja povezavo med beljakovinami in vnosom dušika, lahko ocenite učinkovitost rabe dušika v pridelavi. Izhod se uporablja kot N_uptake vgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Ocenite učinkovitost rabe dušika kot odstotek s to funkcijo. Z vnosom N_total_applied in N_uptake spremenljivk (iz prejšnjih funkcij) lahko izmerite učinkovitost nanašanja dušika, kar pomaga pri optimizaciji uporabe gnojil.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # cena na enoto za vsako plast stopenj
costs = geopard.calculate_costs(rates, prices)

Izračunajte skupne stroške na podlagi stopenj aplikacij in cen s to funkcijo. Z zagotovitvijo application_rate_list naborov podatkov s atributi AppliedRate in ustreznega price_per_unit_list, lahko združite stroške, povezane z različnimi kmetijskimi dejavnostmi, kar podpira upravljanje proračuna in finančno načrtovanje. Izhod se uporablja kot costs vgeopard.calculate_profit.

calculate_revenue

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

Izračunajte prihodke iz nabora podatkov Pridelek s to funkcijo. Z vnosom yield_as_mass povezanega z atributom nabora podatkov Pridelek in yield_price_per_unit, lahko ocenite dohodek, ustvarjen s pridelavo, kar olajša ekonomske ocene. Izhod se uporablja kot costs vgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Določite dobiček z odštevanjem stroškov od prihodkov s to funkcijo. Z zagotovitvijo revenue in costs spremenljivk (iz prejšnjih funkcij) lahko enostavno izračunate finančni dobiček svojih kmetijskih operacij, kar podpira analizo dobičkonosnosti in strateško odločanje.

fill_value_for_range

# obdržite le vrednosti med 10 in 20, preostale zamenjajte z 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Ta funkcija filtrira vrednosti znotraj določenega razpona v vhodnem polju. Z zagotovitvijo vhodnem polja skupaj z izbirnima min_value in izbirnima max_value pragoma lahko izolirate vrednosti, ki spadajo v želeni razpon. Parameter value_to_fill omogoča zamenjavo vrednosti, ki so izven razpona, z določeno vrednostjo, s čimer izboljšate postopke filtriranja in normalizacije podatkov.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Uporabite to funkcijo za izračun srednje absolutne napake (MAE) na nivoju piksla med dvema naboroma podatkov. Zagotavlja prostorsko karto absolutnih razlik. "Absolutna razlika" je preprosto velikost reže med ustreznimi vrednostmi piksla, pri čemer se ignorira, ali je ena večja ali manjša.

Funkcija pomaga identificirati območja z večjimi odstopanji.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Ta funkcija izračuna relativno odstopanje za vsak piksel med dvema naboroma podatkov in razliko izrazi kot odstotek vrednosti v dataset_1. V bistvu kaže, koliko se vrednost enega piksla razlikuje od ustrezne vrednosti v dataset_1 v sorazmernih enotah.

Ta pristop je še posebej dragocen pri analizi razlik v lastnostih tal, pridelku ali podatkih daljinskega zaznavanja, saj omogoča hitro odkrivanje območij z znatnimi sorazmernimi razlikami.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Ta funkcija odšteje en nabor podatkov od drugega, da ustvari karto razlik. Poudari območja, kjer so vrednosti v enem naboru podatkov višje ali nižje v primerjavi z drugim, kar olajša opazovanje trendov in sprememb skozi čas.

To orodje je še posebej koristno za vizualizacijo razlik v lastnostih tal, pridelku ali podatkih daljinskega zaznavanja in pomaga hitro prepoznati ključna območja, ki lahko zahtevajo nadaljnjo analizo ali ukrepanje.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Ta funkcija izračuna relativno razliko za vsak piksel tako, da normalizira razliko med naboroma podatkov z uporabo vrednosti iz dataset_2. To pomeni, da pokaže, kako pomembna je sprememba glede na velikost dataset_2.

Takšno sorazmerno primerjanje je še posebej uporabno pri delu z nabori podatkov različnih meril, saj pomaga razkriti relativne premike v lastnostih tal, pridelkih ali izhodih senzorjev. Ta pristop omogoča natančno določanje območij z opaznimi spremembami.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Ta funkcija izračuna normalizirano razliko za vsak piksel tako, da oba niza podatkov skalira glede na njuno globalno maksimalno vrednost. Ta postopek naredi nabore podatkov neposredno primerljive, tudi če imajo sprva različne razpone.

Rezultirajoča karta daje jasen vpogled v razlike v lastnostih tal, pridelku in podatkih daljinskega zaznavanja ter omogoča hitro prepoznavanje in oceno ključnih razlik.

build_zones_by_intervals

# intervali za zoniranje
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Ta funkcija ustvari karto upravljavskih con z razvrščanjem kontinuirane rastrske plasti v diskretne cone glede na uporabniško določene vrednostne intervale.

Vsak interval določa cono, in vsak piksel je dodeljen coni, v katerega vrednost spada. Pikseli, ki ne ustrezajo nobenemu intervalu, so označeni z -1.

Takšen pristop zoniranja se pogosto uporablja za pretvorbo kart pridelka, lastnosti tal ali indeksov daljinskega zaznavanja v uporabne upravljavske cone za aplikacije z variabilno stopnjo.

Tipični primeri uporabe

• Ustvarjanje upravljavskih con iz plasti pridelka, NDVI ali tal

• Priprava kart con za izračune hranilnih ali setvenih stopenj

• Segmentacija polj v homogène cone za odločanje

calculate_nutrient_rate_as_active_ingredients_per_zone

# možnosti target_nutrient
target_nutrient_option1 = 50 # konstanta
# ALI
target_nutrient_option2 = {1: 20, 2: 40} # slovar na cono
# ALI
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # kontinuirana rastrska plast

# možnosti applied_nutrient_operations
applied_operations = [
    5,                                      # operacija1 kot konstantna vrednost
    {1: 2, 2: 4},                           # operacija2 kot vrednosti na cono
    np.array([[1, 1], [2, 3]], dtype=float) # operacija3 kot kontinuirana rastrska plast
]

# uporaba
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 # ali []
)

Ta funkcija izračuna zahtevano stopnjo aplikacije hranil (aktivna sestavina) za vsako upravljavsko cono.

Izračun temelji na:

• ciljni ravni hranila,

• rastlini dostopnemu dobavnemu deležu hranil iz tal,

• hranilih, ki so že bila nanašena z prejšnjimi operacijami (gnojila, gnoj, digestat itd.).

Operacije nanašanja hranil je mogoče podati kot konstante, vrednosti na cono, rastrske plasti ali katero koli kombinacijo teh. Vsi vnosi se samodejno rešijo in združijo po conah.

Privzeto se zahtevana stopnja izračuna kot razlika med ciljno ravnjo hranila in vsoto dobave iz tal ter že nanesenih hranil. Rezultat se vrne kot rastrska karta, kjer ima vsaka cona enotno stopnjo hranil.

convert_active_ingredient_and_product

# koeficient pretvorbe aktivna_sestavina v izdelek in obratno
corrected_coefficient = 1.5  # konstanta koeficient
# ALI
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # koeficienti na piksel

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

Ta funkcija pretvori rastrsko plast med stopnjami aktivne sestavine in stopnjami izdelka z uporabo korekcijskega koeficienta.

Koeficient corrected_coefficient lahko predstavlja eno decimalno število (float) (uporabi se za vse piksle) ali koeficientna matrika (pretvorba na piksel). Običajno se uporablja za prevajanje izračunanih potreb po hranilih (aktivna sestavina) v dejanske stopnje nanašanja izdelka ali obratno, na podlagi sestave gnojila ali koncentracije hranil.

Pretvorba se izvaja po posameznih piksljih in ohranja prostorsko strukturo izvorne plasti.

Tipični primeri uporabe

• Pretvorba stopenj hranil v stopnje gnojilnih izdelkov

• Prilagajanje kart aplikacij glede na koncentracijo hranil

• Priprava končnih predpisnih kart za stroje

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 funkcija oceni USDA teksturo tal za vsak piksel z uporabo procentnih deležev peska, ilovice in gline.

Posredujte tri rastrske plasti v odstotkih (0-100), ki predstavljajo frakcije delcev. Izhod so USDA ime razreda, kot so pesek, peščena-ilovnata, peščena-ilovica, ilovnica, ilovica, peščena-ilovnata glina, ilovnato-glinasta, ilovnato-glinasta z ilovico, ilovnato-glina ali nedefinirano če so vhodi neveljavni.

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 funkcija oceni teksturni razred tal po FAO/WRB (ISO 11277) za vsak piksel na podlagi deležev peska, ilovice in gline.

Posredujte tri rastrske plasti v odstotkih (0-100), ki predstavljajo frakcije delcev. Izhod so Kode razredov FAO/WRB, kot so S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC, ali nedefinirano če so vhodi neveljavni.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Ta funkcija izračuna gostoto tal (g/cm³) na podlagi teksturnega razreda in izbirno vsebnosti organske snovi v tleh (SOM).

Koeficient texture_class_layer bi morala vsebovati imena razredov ali kode, ustvarjene z USDA teksturno funkcijo ali FAO/WRB teksturno funkcijo omenjeno zgoraj.

Če som_pct_layer če je zagotovljena (v odstotkih), funkcija prilagodi gostoto z upoštevanjem SOM. V nasprotnem primeru vrne vrednosti gostote tal (g/cm³) povezane s teksturnimi razredi glede na USDA ali FAO/WRB preglednico.