> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/svn/predstavitev-izdelka-spletna-aplikacija/equation-based-analytics/catalog-of-custom-functions.md).

# Katalog prilagojenih funkcij

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

GeoPard ponuja obsežen katalog funkcij po meri, zasnovanih za boljšo berljivost in funkcionalnost analitike, ki temelji na enačbah. Te funkcije združujejo zapletene `python` kodo, zato lahko preprosto izvajate zahtevne obdelave podatkov in izračune.

### Vnesite enačbo

<figure><img src="https://docs.geopard.tech/~gitbook/image?url=https%3A%2F%2F3272281156-files.gitbook.io%2F%7E%2Ffiles%2Fv0%2Fb%2Fgitbook-x-prod.appspot.com%2Fo%2Fspaces%252FYICBELdyAXXebKAzfLOR%252Fuploads%252FdHTdBE1CN2gSJbE7Bfo0%252Fimage.png%3Falt%3Dmedia%26token%3Dd8e3544f-feca-43a6-b6a1-f1305068de88&#x26;width=768&#x26;dpr=4&#x26;quality=100&#x26;sign=508ec9e0&#x26;sv=2" alt=""><figcaption><p>Vnesite enačbo</p></figcaption></figure>

Seznam vnaprej pripravljenih funkcij, ki so na voljo za ustvarjanje preglednejših enačb, enostavnejših za vzdrževanje, v GeoPardu najdete v paketu `geopard` :

### fill\_gaps\_with\_k\_neighbors

```python
# input_data is a Dataset attribute layer (e.g., Yield, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)
```

Ta funkcija z algoritmom k najbližjih sosedov zapolni podatkovne vrzeli oziroma ničle v naboru podatkov. Če podate spremenljivko `input_data` (nabor podatkov z izbranim atributom) in število sosedov `k`, lahko preprosto zapolnite manjkajoče vrednosti ter tako zagotovite neprekinjenost in celovitost podatkov.

Ta funkcija se dobro obnese, kadar so podatkovne vrzeli razpršene po polju in niso omejene na določen del meje polja.

### determine\_data\_similarity

```python
similarity = geopard.determine_data_similarity(yield_2023, yield_2024)
```

To funkcijo uporabite za izračun podobnosti med dvema naboroma podatkov na ravni posameznih slikovnih pik. Spremenljivki `data_layer_1` in `data_layer_2` morata predstavljati **isto meritev** v **istih merskih enotah** za zagotovitev smiselne primerjave. Če podate spremenljivki, `data_layer_1` in `data_layer_2` povezani z naboroma podatkov, lahko ustvarite karto podobnosti z vrednostmi od 0 do 1, kar omogoča primerjalne študije in prepoznavanje vzorcev.

### determine\_data\_similarity\_from\_normalized

```python
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)
```

To funkcijo uporabite za izračun podobnosti med dvema normaliziranima naboroma podatkov na ravni posameznih slikovnih pik. Normalizacija je priporočljiva, kadar imata izvorna `data_layer_1` in `data_layer_2` različna merila ali merske enote. Če nabora podatkov podate kot vhod, funkcija ustvari karto podobnosti z vrednostmi od 0 do 1, primerno za primerjalne študije, prepoznavanje vzorcev in analizo prostorske skladnosti.

### determine\_low\_high\_similarity

```python
zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)
```

Ta funkcija oceni podobnost med nizkimi in visokimi vrednostmi v dveh naborih podatkov. Če podate spremenljivki `data_layer_1` in `data_layer_2` povezani z naboroma podatkov, dobite kategorizirano karto podobnosti, ki prikazuje kombinacije, kot so nizko–nizko, nizko–visoko, visoko–nizko in visoko–visoko. To je uporabno za podrobnejšo razvrstitev podatkov.

### get\_value\_for\_zone

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

To funkcijo uporabite za pridobivanje vseh vrednosti atributa nabora podatkov znotraj enega območja. Podajte `data_layer` (plast atributa), `zones_layer` (karta območij) in `zone_id` (številka območja), da izolirate vrednosti za analizo, kot so pridelek, odmerek vnosa ali količina semena, znotraj tega območja.

### drop\_value

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

Ta funkcija omogoča odstranitev določenih vrednosti iz atributa nabora podatkov. Z navedbo `data_layer` in `value_to_drop`, lahko očistite nabor podatkov tako, da te vrednosti odstranite iz rezultata; tehnično jih nadomestite z `NaN`.

### normalize\_data

```python
ndvi_normalized = geopard.normalize_data(ndvi_layer)
```

S to funkcijo normalizirajte atribut nabora podatkov. Če podate `data_layer`, lahko podatke pretvorite v standardizirani razpon od 0 do 1, kar olajša primerjavo in združevanje različnih naborov podatkov.

### calculate\_total\_applied\_fertilizer

```python
applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # use 1.0 to keep units, or adjust for product concentration

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)
```

S to funkcijo izračunajte skupno količino gnojila, uporabljenega na enoto površine (na primer v kg/ha, l/ha, gal/ac itd.). Podajte `application_list` nabore podatkov z atributi AppliedRate in ustrezne `active_ingredient_coefficient_list` za gnojila, da izračunate dejansko skupno količino uporabljenega gnojila v enotah (na primer v kg, l, gal itd.).

### calculate\_total\_applied\_nitrogen

```python
applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # N fraction (active ingredient) in each product

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)
```

S to funkcijo izračunajte skupno količino uporabljenega dušika v kg/ha. Podajte `application_list` nabore podatkov z atributi AppliedRate in ustrezne `active_ingredient_coefficient_list` za dušikova gnojila, da dejansko količino dušika pretvorite v kg/ha in natančno izračunate skupno količino uporabljenega dušika, kar je ključno za kmetijsko načrtovanje in ocenjevanje trajnosti. Izhod se uporablja kot `N_total_applied` v[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency).

### calculate\_nitrogen\_uptake

```python
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
)
```

S to funkcijo določite privzem dušika v kg/ha. Podajte `yield_wet_tha`, `moisture_pct`, `protein_pct` iz nabora podatkov o pridelku in `protein_crop_correction_coefficient` s prikazom povezave med beljakovino in privzemom dušika lahko ocenite izkoristek dušika pri pridelavi poljščin. Izhod se uporabi kot `N_uptake` v[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency) .

### izračunaj\_izkoristek\_dušika

```python
NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)
```

S to funkcijo ocenite izkoristek dušika v odstotkih. Če vnesete [`N_total_applied`](#calculate_total_applied_nitrogen) in [`N_uptake`](#calculate_nitrogen_uptake) (spremenljivki iz prejšnjih funkcij), lahko izmerite učinkovitost uporabe dušika in tako optimizirate porabo gnojil.

### izračunaj\_stroške

```python
rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # price per unit for each rate layer
costs = geopard.calculate_costs(rates, prices)
```

S to funkcijo izračunajte skupne stroške glede na količine nanosa in cene. Če podate `application_rate_list` naborov podatkov z atributi AppliedRate in ustrezen `price_per_unit_list`, lahko združite stroške različnih kmetijskih dejavnosti ter tako podprete upravljanje proračuna in finančno načrtovanje. Izhod se uporabi kot `costs` v[`geopard.calculate_profit`](#calculate_profit).

### izračunaj\_prihodek

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

S to funkcijo izračunajte prihodek iz nabora podatkov o pridelku. Če vnesete `yield_as_mass` ki je povezan z atributom Yield nabora podatkov o pridelku, in `yield_price_per_unit`, lahko ocenite prihodek od pridelave poljščin in tako podprete gospodarske analize. Izhod se uporabi kot `costs` v[`geopard.calculate_profit`](#calculate_profit) .

### izračunaj\_dobiček

```python
profit = geopard.calculate_profit(revenue, costs)
```

S to funkcijo izračunajte dobiček tako, da od prihodka odštejete stroške. Če podate spremenljivki [`revenue`](#calculate_revenue) in [`costs`](#calculate_costs) (iz prejšnjih funkcij), lahko preprosto izračunate finančni izkupiček kmetijske dejavnosti ter tako podprete analizo dobičkonosnosti in strateško odločanje.

### zapolni\_vrednosti\_izven\_razpona

```python
# ohrani samo vrednosti med 10 in 20, ostale nadomesti z 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
```

Ta funkcija filtrira vrednosti v določenem razponu v `input` polju. Podajte polje, skupaj z neobveznima parametroma `input` in neobveznim parametrom `min_value` ter neobveznim parametrom `max_value` pragov, lahko izločite vrednosti, ki spadajo v želeni razpon. Parameter `value_to_fill` omogoča zamenjavo vrednosti zunaj razpona z določeno vrednostjo, s čimer izboljša postopke filtriranja in normalizacije podatkov.

### calculate\_per\_pixel\_mae

```python
mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)
```

To funkcijo uporabite za izračun povprečne absolutne napake (MAE) za vsak piksel med dvema naboroma podatkov. Rezultat je prostorski prikaz absolutnih razlik. »Absolutna razlika« preprosto pomeni velikost razmika med vrednostma ustreznih pikslov, ne glede na to, katera je večja.

Funkcija pomaga prepoznati območja z večjimi odstopanji.

### calculate\_per\_pixel\_relative\_deviation

```python
relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)
```

Ta funkcija izračuna relativno odstopanje za vsak piksel med dvema naboroma podatkov, pri čemer razliko izrazi kot odstotek vrednosti v naboru `dataset_1`. V bistvu pokaže, kolikšno je odstopanje vrednosti posameznega piksla od ustrezne vrednosti v naboru `dataset_1` v sorazmernem smislu.

Ta pristop je še posebej uporaben pri analizi variacij lastnosti tal, pridelka ali podatkov daljinskega zaznavanja, saj omogoča hitro prepoznavanje območij z velikimi sorazmernimi razlikami.

### calculate\_difference

```python
difference = geopard.calculate_difference(yield_2024, yield_2023)
```

Ta funkcija od enega nabora podatkov odšteje drugega in ustvari karto razlik. Prikaže območja, kjer so vrednosti v enem naboru podatkov večje ali manjše kot v drugem, zato lažje opazite trende in spremembe skozi čas.

To orodje je še posebej uporabno za prikaz variacij lastnosti tal, pridelka ali podatkov daljinskega zaznavanja, saj pomaga hitro prepoznati območja, ki morda zahtevajo nadaljnjo analizo ali ukrepanje.

### calculate\_relative\_difference

```python
relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)
```

Ta funkcija izračuna relativno razliko za vsak piksel tako, da razliko med naboroma podatkov normalizira z vrednostmi iz nabora `dataset_2`. Tako pokaže, kako velika je sprememba glede na velikost vrednosti v naboru `dataset_2`.

Takšna sorazmerna primerjava je še posebej uporabna pri delu z nabori podatkov različnih meril, saj pomaga razkriti relativne spremembe lastnosti tal, pridelka ali izhodnih podatkov senzorjev. S tem pristopom lažje določite območja z izrazitimi variacijami.

### calculate\_normalized\_difference

```python
normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)
```

Ta funkcija izračuna normalizirano razliko za vsak piksel tako, da oba nabora podatkov prilagodi glede na njuno skupno globalno največjo vrednost. Tako postaneta nabora neposredno primerljiva, tudi če sta imela prvotno različna razpona vrednosti.

Dobljena karta jasno prikazuje variacije lastnosti tal, pridelka in podatkov daljinskega zaznavanja, zato lahko hitro prepoznate in ocenite ključne razlike.

### build\_zones\_by\_intervals

```python
# intervals for zoning
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

# usage
zones = geopard.build_zones_by_intervals(
    layer, 
    intervals
)
```

Ta funkcija ustvari karto upravljavskih con tako, da neprekinjeni rastrski sloj razvrsti v diskretne cone na podlagi uporabniško določenih intervalov vrednosti.

Vsak interval določa eno cono, vsakemu pikslu pa se dodeli cona, v katere razpon vrednosti spada. Piksli, ki ne ustrezajo nobenemu intervalu, so označeni z vrednostjo -1.

Ta pristop k določanju con se pogosto uporablja za pretvorbo kart pridelka, lastnosti tal ali indeksov daljinskega zaznavanja v uporabne upravljavske cone za aplikacije z variabilnim odmerjanjem.

**Značilni primeri uporabe**

* Ustvarjanje upravljavskih con na podlagi pridelka, NDVI ali slojev tal
* Priprava kart con za izračun odmerkov hranil ali setve
* Razdelitev polj na homogene cone za sprejemanje odločitev

### calculate\_nutrient\_rate\_as\_active\_ingredients\_per\_zone

```python
# target_nutrient options
target_nutrient_option1 = 50 # constant number
# OR
target_nutrient_option2 = {1: 20, 2: 40} # per-zone dict
# OR
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # continuous raster layer

# applied_nutrient_operations options
applied_operations = [
    5,                                      # operacija1 kot konstantno število
    {1: 2, 2: 4},                           # operacija2 kot slovar vrednosti po conah
    np.array([[1, 1], [2, 3]], dtype=float) # operacija3 kot neprekinjen rastrski sloj
]

# usage
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 # or []
)
```

Ta funkcija izračuna potrebno količino hranila za vnos (izraženo kot aktivna snov) za vsako upravljavsko cono.

Izračun temelji na:

* ciljni ravni hranila,
* zalogi hranila v tleh, ki je na voljo rastlinam,
* hranilih, ki so bila že dodana s predhodnimi posegi (gnoj, gnojila, digestat itd.).

Podatke o dodanih hranilih lahko podate kot konstante, vrednosti po conah, rastrske sloje ali poljubno kombinacijo teh možnosti. Vsi vhodi se samodejno preračunajo in združijo po conah.

Privzeto se potrebna količina izračuna kot razlika med ciljno ravnjo hranila ter vsoto zaloge v tleh in že dodanih hranil. Rezultat je vrnjen kot rastrski zemljevid, v katerem je količina hranila enotna znotraj posamezne cone.

### convert\_active\_ingredient\_and\_product

```python
# pretvorbeni koeficient med aktivno snovjo in proizvodom ter obratno
corrected_coefficient = 1.5  # konstantni koeficient
# OR
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # koeficienti po slikovnih pikah

# usage
rates_as_products = geopard.convert_active_ingredient_and_product(
    layer, 
    corrected_coefficient
)
```

Ta funkcija pretvori rastrski sloj med **količinami aktivne snovi in količinami proizvoda** z uporabo korekcijskega koeficienta.

Vrednost `corrected_coefficient` je lahko posamezno število tipa **float** (uporabi se za vse slikovne pike) ali koeficientna **matrika** (pretvorba po slikovnih pikah). Običajno se uporablja za pretvorbo izračunanih potreb po hranilih (izraženih kot aktivna snov) v dejanske količine proizvoda za nanos ali obratno, glede na sestavo gnojila oziroma koncentracijo hranil.

Pretvorba se uporabi za vsako slikovno piko posebej, pri čemer se ohrani prostorska struktura izvirnega sloja.

**Značilni primeri uporabe**

* Pretvarjanje količin hranil v količine gnojila za nanos
* Prilagajanje zemljevidov za nanos glede na koncentracijo hranil
* Priprava končnih predpisanih zemljevidov za kmetijsko mehanizacijo

### map\_value\_by\_zone

```python
# dodeli eno vrednost vsem conam
planned_yield = geopard.map_value_by_zone(
    zone_map,
    3.0
)

# ALI: dodeli različne vrednosti posameznim conam
planned_yield = geopard.map_value_by_zone(
    zone_map,
    {1: 2.91, 2: 3.0, 3: 3.06}
)

# ALI: združi obstoječi raster po conah
p_zone_median = geopard.map_value_by_zone(
    zone_map,
    p2o5,
    aggregation_logic="median"
)
```

Ta funkcija pretvori skalarne vrednosti, slovarje z vrednostmi za posamezne cone ali rastrske sloje v rastrski sloj, razdeljen po conah.

Vsaka veljavna slikovna pika prejme vrednost, dodeljeno pripadajoči coni. Pri rastrskem vhodu se vrednosti znotraj vsake cone združijo z uporabo funkcije `mean`, `median`, `min`, ali `max`, s čimer se učinkovito odpravi variabilnost znotraj območja.

Manjkajoče vrednosti v slovarju in slikovni piksli nodata prejmejo navedeno vrednost `default` (privzeto NaN).

**Značilni primeri uporabe**

* Ustvarjanje načrtovanih ciljnih pridelkov na ravni pikslov iz vrednosti za posamezna območja
* Pretvarjanje priporočil za gnojenje po območjih v rastrske karte gnojenja
* Izravnavanje variabilnosti hranil v tleh znotraj upravljavskih območij
* Priprava parametrov na ravni območij za izračune NumPy po posameznih pikslih

### calculate\_dose\_by\_nutrient\_balance

```python
# izračun odmerka komercialnega gnojila
ammophos_dose = geopard.calculate_dose_by_nutrient_balance(
    zone_map,
    planned_yield={1: 2.91, 2: 3.0, 3: 3.06},
    soil_nutrient=p2o5,
    removal_per_yield_unit=12.5,
    soil_use_coefficient=0.2,
    fertilizer_use_coefficient=0.4,
    correction_coefficient=1.5,
    product_nutrient_share=0.46,
    min_dose=50,
    max_dose=100
)
```

Ta funkcija izračuna odmerke gnojila za posamezne piksle na podlagi bilance odvzema hranil s posevkom in oskrbe tal s hranili.

Izračun upošteva načrtovani pridelek, odvzem hranil s posevkom, razpoložljiva hranila v tleh, koeficiente izkoristka hranil iz tal in gnojila ter korekcijske faktorje. Potrebo po čistem hranilu je mogoče po želji pretvoriti v odmerke komercialnega gnojila z uporabo parametra `product_nutrient_share`.

Podpira vrednosti načrtovanega pridelka v obliki skalarja, slovarja ali rastra. Vrednosti hranil v tleh je mogoče uporabiti za posamezne piksle ali jih agregirati po območjih. Končne odmerke je mogoče omejiti z najmanjšim in največjim dovoljenim odmerkom ter zaokrožiti na cela števila.

**Značilni primeri uporabe**

* Izdelava kart gnojenja s spremenljivim odmerkom za P₂O₅ in K₂O
* Izračun nadomeščanja hranil na podlagi načrtovanega pridelka
* Upoštevanje oskrbe tal s hranili in učinkovitosti izkoristka gnojila
* Pretvarjanje potreb po čistih hranilih v odmerke komercialnih gnojil
* Izdelava kart gnojenja, pripravljenih za uporabo v kmetijski mehanizaciji

### estimate\_texture\_class\_based\_on\_usda

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

Ta funkcija za vsak piksel oceni teksturo tal po klasifikaciji USDA na podlagi odstotkov peska, melja in gline.

Vnesite tri rastrske sloje z odstotki (0–100), ki predstavljajo deleže posameznih velikostnih frakcij. Izhod so <mark style="background-color:green;">imena razredov USDA, kot so</mark> *<mark style="background-color:green;">sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay ali undefined</mark>* <mark style="background-color:green;">če so vhodni podatki neveljavni.</mark>

### estimate\_texture\_class\_based\_on\_fao\_wrb

```python
fao_wrb_texture = geopard.estimate_texture_class_based_on_fao_wrb(
    sand_pct_layer,
    silt_pct_layer,
    clay_pct_layer
)
```

Ta funkcija za vsak piksel oceni teksturni razred tal FAO/WRB (ISO 11277) na podlagi odstotkov peska, melja in gline.

Vnesite tri rastrske sloje z odstotki (0–100), ki predstavljajo deleže posameznih velikostnih frakcij. Izhod so <mark style="background-color:green;">kode razredov FAO/WRB, kot so</mark> *<mark style="background-color:green;">S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC ali undefined</mark>* <mark style="background-color:green;">če so vhodni podatki neveljavni</mark>.

### calculate\_soil\_bulk\_density

```python
bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)
```

Ta funkcija izračuna <mark style="background-color:green;">prostorninsko gostoto tal (g/cm³) na podlagi teksturnega razreda in neobveznega deleža organske snovi v tleh (SOM)</mark>.

Sloj `texture_class_layer` mora vsebovati imena ali kode razredov, ki jih vrne [funkcija USDA za določanje teksture tal](#estimate_texture_class_based_on_usda) ali [funkcija FAO/WRB za določanje teksture tal](#estimate_texture_class_based_on_fao_wrb) iz prejšnjega besedila.

Če `som_pct_layer` podate kot odstotno vrednost, funkcija prilagodi prostorninsko gostoto tal glede na organsko snov v tleh (SOM). Sicer vrne vrednosti prostorninske gostote tal v g/cm³, povezane z razredi teksture tal glede na klasifikacijo USDA ali FAO/WRB.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/svn/predstavitev-izdelka-spletna-aplikacija/equation-based-analytics/catalog-of-custom-functions.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
