> 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/tr/urun-turu-web-uygulamasi/equation-based-analytics/catalog-of-custom-functions.md).

# Özel Fonksiyonlar Kataloğu

Bu fonksiyonlar karmaşık Python kodunu kapsüller; böylece gelişmiş veri işlemlerini ve hesaplamaları kolayca uygulamanıza olanak tanır.

GeoPard, denkleme dayalı analizlerin okunabilirliğini ve işlevselliğini artırmak için tasarlanmış kapsamlı bir özel fonksiyon kataloğu sunar. Bu fonksiyonlar karmaşık `python` kodunu kapsülleyerek gelişmiş veri işleme ve hesaplamaları kolayca uygulamanızı sağlar.

### Denklem Gir

<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>Bir Denklem Girin</p></figcaption></figure>

GeoPard'da daha anlaşılır ve bakımı daha kolay denklemler oluşturmak için kullanılabilen hazır fonksiyonların listesi `geopard` paketinde yer alır:

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

```python
# input_data bir veri kümesi öznitelik katmanıdır (ör. Verim, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)
```

Bu fonksiyon, K-Komşu algoritmasını kullanarak bir veri kümesindeki boşlukları veya sıfır değerleri doldurur. `input_data` değişkenini (seçili özniteliğe sahip bir veri kümesi olarak) ve komşu sayısını belirleyen `k` parametresini belirterek eksik değerleri kolayca doldurabilir, verilerin sürekliliğini ve bütünlüğünü sağlayabilirsiniz.

Bu fonksiyon, veri boşlukları tarla geneline dağıldığında ve tarla sınırının belirli bir bölümünde yoğunlaşmadığında iyi çalışır.

### determine\_data\_similarity

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

İki veri kümesi arasındaki piksel bazında benzerliği hesaplamak için bu fonksiyonu kullanın. Anlamlı bir karşılaştırma yapılabilmesi için `data_layer_1` ve `data_layer_2` değişkenleri **aynı ölçümü** ve **aynı birimleri** temsil etmelidir. Veri kümeleriyle ilişkili değişkenleri `data_layer_1` ve `data_layer_2` sağlayarak 0 ile 1 arasında değerler içeren bir benzerlik haritası oluşturabilir, karşılaştırmalı çalışmaları ve örüntü tanımayı kolaylaştırabilirsiniz.

### 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)
```

İki normalize edilmiş veri kümesi arasındaki piksel bazında benzerliği hesaplamak için bu fonksiyonu kullanın. Orijinal `data_layer_1` ve `data_layer_2` farklı ölçeklere veya birimlere sahip olduğunda normalizasyon önerilir. Bu veri kümeleri girdi olarak sağlandığında fonksiyon, 0 ile 1 arasında değerler içeren bir benzerlik haritası oluşturur. Bu harita karşılaştırmalı çalışmalar, örüntü tanıma ve mekânsal tutarlılık analizi için uygundur.

### determine\_low\_high\_similarity

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

Bu fonksiyon, iki veri kümesi arasındaki düşük-yüksek benzerliğini değerlendirir. Veri kümeleriyle ilişkili `data_layer_1` ve `data_layer_2` değişkenlerini girdiğinizde düşük-düşük, düşük-yüksek, yüksek-düşük ve yüksek-yüksek gibi kombinasyonları gösteren kategorize edilmiş bir benzerlik haritası elde edersiniz. Bu harita, verileri ayrıntılı biçimde sınıflandırmak için yararlıdır.

### get\_value\_for\_zone

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

Tek bir bölgedeki bir veri kümesi özniteliğine ait tüm değerleri çıkarmak için bu fonksiyonu kullanın. `data_layer` (öznitelik katmanı), `zones_layer` (bölgeler haritası) ve `zone_id` (bölge numarası) kullanarak o bölgedeki verim, uygulama oranı veya tohum miktarı gibi değerleri analiz için ayıklayın.

### drop\_value

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

Bu işlev, bir veri kümesi özniteliğindeki belirli değerleri kaldırmanızı sağlar.  `data_layer` ve `value_to_drop`belirterek bu değerleri sonuçtan çıkarabilir ve veri kümesini temizleyebilirsiniz; teknik olarak bu değerler  `NaN`.

### normalize\_data

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

Bu işlevle bir veri kümesi özniteliğini normalize edin.  `data_layer`parametresini vererek verileri 0 ile 1 arasındaki standart bir aralığa ölçekleyebilir, böylece farklı veri kümelerini karşılaştırmayı ve entegre etmeyi kolaylaştırabilirsiniz.

### 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)
```

Uygulanan toplam gübre miktarını alan başına birim cinsinden (ör. kg/ha, l/ha, gal/ac vb.) hesaplayın.  `application_list` AppliedRate özniteliklerine sahip veri kümelerini ve ilgili `active_ingredient_coefficient_list` gübre ürünleriyle birlikte sağlayarak, uygulanan gerçek toplam gübre miktarını birim cinsinden (ör. kg, l, gal vb.) elde edebilirsiniz.

### 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)
```

Bu işlevle uygulanan toplam azot miktarını kg/ha cinsinden hesaplayın.  `application_list` AppliedRate özniteliklerine sahip veri kümelerini ve ilgili `active_ingredient_coefficient_list` azotlu ürünlerle birlikte sağlayarak gerçek azot miktarını kg/ha cinsine dönüştürebilir ve tarımsal planlama ile sürdürülebilirlik değerlendirmeleri için gerekli olan uygulanan toplam azot miktarını doğru biçimde hesaplayabilirsiniz. Çıktı, `N_total_applied` olarak[`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
)
```

Bu işlevle azot alımını kg/ha cinsinden belirleyin.  `yield_wet_tha`, `moisture_pct`, `protein_pct` Verim Veri Kümesi'nden ve `protein_crop_correction_coefficient` Azot alımını temsil eden bağlantı proteiniyle, bitkisel üretimde Azot Kullanım Etkinliğini değerlendirebilirsiniz. Çıktı şu şekilde kullanılır: `N_uptake` içinde[`geopard.calculate_nitrogen_use_efficiency`](#calculate_nitrogen_use_efficiency) .

### calculate\_nitrogen\_use\_efficiency

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

Bu işlevi kullanarak Azot Kullanım Etkinliğini yüzde olarak değerlendirin.  [`N_total_applied`](#calculate_total_applied_nitrogen) ve [`N_uptake`](#calculate_nitrogen_uptake) değişkenlerini (önceki işlevlerden) girerek azot uygulamasının etkinliğini ölçebilir ve gübre kullanımını optimize etmeye yardımcı olabilirsiniz.

### calculate\_costs

```python
rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # her oran katmanı için birim fiyat
costs = geopard.calculate_costs(rates, prices)
```

Bu işlevle uygulama oranlarına ve fiyatlara göre Toplam Maliyeti hesaplayın. AppliedRate özniteliklerine sahip Veri Kümelerinden oluşan bir  `application_rate_list` ve buna karşılık gelen bir  `price_per_unit_list` sağlayarak çeşitli tarımsal faaliyetlere ilişkin giderleri toplayabilir; bütçe yönetimini ve finansal planlamayı destekleyebilirsiniz. Çıktı şu şekilde kullanılır: `costs` içinde[`geopard.calculate_profit`](#calculate_profit).

### calculate\_revenue

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

Bu işlevi kullanarak Verim Veri Kümesinden elde edilen geliri hesaplayın.  `yield_as_mass` Verim Veri Kümesi özniteliğiyle ilişkili değeri ve  `yield_price_per_unit` değerini girerek bitkisel üretimden elde edilen geliri tahmin edebilir ve ekonomik değerlendirmeleri kolaylaştırabilirsiniz. Çıktı şu şekilde kullanılır: `costs` içinde[`geopard.calculate_profit`](#calculate_profit) .

### calculate\_profit

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

Bu işlevle Maliyetleri Gelirden çıkararak Kârı belirleyin.  [`revenue`](#calculate_revenue) ve [`costs`](#calculate_costs) değişkenlerini (önceki işlevlerden) sağlayarak tarımsal faaliyetlerinizden elde edilen finansal kazancı kolayca hesaplayabilir; kârlılık analizini ve stratejik karar almayı destekleyebilirsiniz.

### fill\_value\_for\_range

```python
# yalnızca 10 ile 20 arasındaki değerleri tut, diğerlerini 0 ile değiştir
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)
```

Bu işlev,  `input` dizisindeki belirtilen aralık içindeki değerleri filtreler.  `input` Diziyi ve isteğe bağlı  `min_value`  ile isteğe bağlı  `max_value` eşiklerini kullanarak istediğiniz aralıktaki değerleri ayıklayabilirsiniz.  `value_to_fill` parametresi, aralık dışındaki değerlerin belirtilen bir değerle değiştirilmesini sağlar ve veri filtreleme ile normalleştirme süreçlerini iyileştirir.

### calculate\_per\_pixel\_mae

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

Bu işlevi, iki veri kümesi arasındaki piksel başına Ortalama Mutlak Hatayı (MAE) hesaplamak için kullanın. Mutlak farkların mekânsal haritasını oluşturur. “Mutlak fark”, değerlerden hangisinin daha yüksek veya daha düşük olduğunu dikkate almadan, karşılık gelen piksel değerleri arasındaki farkın büyüklüğüdür.

Bu işlev, farkların daha büyük olduğu alanları belirlemeye yardımcı olur.

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

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

Bu işlev, iki veri kümesindeki her piksel için göreli sapmayı hesaplar ve farkı,  `dataset_1` içindeki değerin yüzdesi olarak ifade eder. Başka bir deyişle, bir pikselin değerinin karşılık gelen  `dataset_1` değerden oransal olarak ne kadar saptığını gösterir.

Bu yaklaşım; toprak özellikleri, ürün verimi veya uzaktan algılama verilerindeki değişimleri incelerken özellikle değerlidir; çünkü oransal farkların belirgin olduğu alanları hızla görmenizi sağlar.

### calculate\_difference

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

Bu işlev, bir fark haritası oluşturmak için bir veri kümesini diğerinden çıkarır. Bir veri kümesindeki değerlerin diğerine kıyasla daha yüksek veya daha düşük olduğu alanları vurgulayarak zaman içindeki eğilimleri ve değişimleri görmeyi kolaylaştırır.

Bu araç; toprak özellikleri, ürün verimi veya uzaktan algılama verilerindeki değişimleri görselleştirmek için özellikle kullanışlıdır. Daha ayrıntılı inceleme veya müdahale gerektirebilecek alanları hızla belirlemenize yardımcı olur.

### calculate\_relative\_difference

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

Bu işlev, veri kümeleri arasındaki farkı  `dataset_2` değerlerini kullanarak normalleştirir ve her pikselin göreli farkını hesaplar. Böylece değişimin,  `dataset_2`.

büyüklüğüne oranla ne kadar önemli olduğunu gösterir. Bu oransal karşılaştırma, farklı ölçeklerdeki veri kümeleriyle çalışırken özellikle yararlıdır; toprak özellikleri, ürün verimi veya sensör çıktılarındaki göreli değişimleri ortaya çıkarmaya yardımcı olur. Bu yaklaşım, kayda değer değişkenlik gösteren alanları belirlemeyi kolaylaştırır.

### calculate\_normalized\_difference

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

Bu işlev, her iki veri kümesini de genel maksimum değerlerine göre ölçeklendirerek her pikselin normalleştirilmiş farkını hesaplar. Bu işlem, başlangıçta farklı değer aralıklarına sahip olsalar bile veri kümelerini doğrudan karşılaştırılabilir hâle getirir.

Ortaya çıkan harita; toprak özellikleri, ürün verimi ve uzaktan algılama verilerindeki değişimleri net biçimde gösterir ve önemli farkları hızla belirleyip değerlendirmenizi sağlar.

### build\_zones\_by\_intervals

```python
# bölgeleme aralıkları
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Bu işlev, sürekli bir raster katmanını kullanıcı tanımlı değer aralıklarına göre ayrık bölgelere sınıflandırarak bir yönetim bölgesi haritası oluşturur.

Her aralık bir bölge tanımlar ve her piksel, değerinin düştüğü aralığa karşılık gelen bölgeye atanır. Hiçbir aralığa uymayan pikseller -1 olarak işaretlenir.

Bu bölgeleme yaklaşımı; verim haritalarını, toprak özelliklerini veya uzaktan algılama indekslerini değişken oranlı uygulamalarda kullanılabilecek işlevsel yönetim bölgelerine dönüştürmek için yaygın olarak kullanılır.

**Yaygın kullanım örnekleri**

* Verim, NDVI veya toprak katmanlarından yönetim bölgeleri oluşturma
* Besin maddesi veya ekim normu hesaplamaları için bölge haritaları hazırlama
* Karar verme amacıyla tarlaları benzer özellikteki bölgelere ayırma

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

```python
# target_nutrient seçenekleri
target_nutrient_option1 = 50 # sabit sayı
# VEYA
target_nutrient_option2 = {1: 20, 2: 40} # bölge başına sözlük
# VEYA
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # sürekli raster katmanı

# applied_nutrient_operations seçenekleri
applied_operations = [
    5,                                      # operation1 sabit sayı olarak
    {1: 2, 2: 4},                           # operation2 bölge başına sözlük olarak
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 sürekli raster katmanı olarak
]

# kullanım
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 []
)
```

Bu işlev, her yönetim bölgesi için gerekli besin maddesi uygulama oranını (etkin madde) hesaplar.

Hesaplama şunlara dayanır:

* hedef besin maddesi düzeyi,
* topraktan bitkiye yarayışlı besin maddesi arzı,
* önceki uygulamalarda zaten uygulanmış besin maddeleri (çiftlik gübresi, gübreler, digestat vb.).

Uygulanmış besin maddesi uygulamaları sabit değerler, bölge başına değerler, raster katmanları veya bunların herhangi bir bileşimi olarak sağlanabilir. Tüm girdiler otomatik olarak çözümlenir ve bölge başına bir araya getirilir.

Varsayılan olarak gerekli oran, hedef besin maddesi düzeyi ile topraktan sağlanan ve uygulanmış besin maddelerinin toplamı arasındaki fark olarak hesaplanır. Sonuç, her bölgede tek tip besin maddesi oranı içeren bir raster harita olarak döndürülür.

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

```python
# etkin madde ile ürün arasındaki dönüşüm katsayısı
corrected_coefficient = 1.5  # sabit katsayı
# VEYA
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # piksel başına katsayılar

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

Bu işlev, bir raster katmanını **etkin madde oranları ile ürün oranları** arasında bir düzeltme katsayısı kullanarak dönüştürür.

corrected\_coefficient `corrected_coefficient` tek bir **float** (tüm piksellere uygulanır) veya bir katsayı **matrisi** (piksel başına dönüşüm) olabilir. Genellikle hesaplanan besin maddesi gereksinimlerini (etkin madde) gübre bileşimine veya besin maddesi yoğunluğuna göre gerçek ürün uygulama oranlarına dönüştürmek ya da bunun tersini yapmak için kullanılır.

Dönüşüm piksel bazında uygulanır ve özgün katmanın mekânsal yapısı korunur.

**Yaygın kullanım örnekleri**

* Besin maddesi oranlarını gübre ürünü oranlarına dönüştürme
* Uygulama haritalarını besin maddesi yoğunluğuna göre ayarlama
* Makineler için nihai reçete haritalarını hazırlama

### map\_value\_by\_zone

```python
# tüm bölgelere tek bir değer ata
planned_yield = geopard.map_value_by_zone(
    zone_map,
    3.0
)

# VEYA: her bölgeye farklı değerler ata
planned_yield = geopard.map_value_by_zone(
    zone_map,
    {1: 2.91, 2: 3.0, 3: 3.06}
)

# VEYA: mevcut bir rasterı bölgeye göre toplulaştır
p_zone_median = geopard.map_value_by_zone(
    zone_map,
    p2o5,
    aggregation_logic="median"
)
```

Bu işlev, skaler değerleri, bölgeye özgü sözlükleri veya raster katmanlarını bölge tabanlı bir rastera dönüştürür.

Geçerli her piksel, karşılık geldiği bölgeye atanmış değeri alır. Raster girdisinde değerler her bölge içinde şu yöntemle toplulaştırılır: `mean`, `median`, `min`, veya `max`, böylece zon içindeki değişkenliği etkili biçimde ortadan kaldırır.

Eksik sözlük değerleri ve nodata pikselleri belirtilen `default` (varsayılan olarak NaN) değerini alır.

**Yaygın kullanım örnekleri**

* Zonlara özgü değerlerden piksel düzeyinde planlanan verim hedefleri oluşturma
* Zonlara özgü gübre tavsiyelerini uygulama haritalarına dönüştürme
* Yönetim bölgeleri içindeki toprak besin maddesi değişkenliğini düzleştirme
* Piksel bazında NumPy hesaplamaları için bölge düzeyindeki parametreleri hazırlama

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

```python
# ticari gübre dozunu hesapla
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
)
```

Bu işlev, bitkinin besin maddesi kaldırımı ile toprağın besin maddesi arzı arasındaki dengeyi kullanarak piksel bazında gübre uygulama oranlarını hesaplar.

Hesaplamada planlanan verim, bitkinin besin maddesi kaldırımı, topraktaki kullanılabilir besin maddeleri, toprak ve gübre kullanım katsayıları ile düzeltme katsayıları dikkate alınır. Elde edilen saf besin maddesi gereksinimi, isteğe bağlı olarak ticari gübre ürününün uygulama oranlarına dönüştürülebilir; bunun için `product_nutrient_share`.

Planlanan verim değerleri skaler, sözlük veya raster biçiminde verilebilir. Toprak besin maddesi değerleri piksel başına kullanılabilir veya bölge bazında toplulaştırılabilir. Nihai uygulama oranları alt ve üst uygulama sınırlarıyla kısıtlanabilir ve tam sayılara yuvarlanabilir.

**Yaygın kullanım örnekleri**

* Değişken oranlı P₂O₅ ve K₂O gübre uygulama haritaları oluşturma
* Planlanan ürün verimine göre besin maddesi ikamesini hesaplama
* Toprağın besin maddesi arzını ve gübre kullanım etkinliğini hesaba katma
* Saf besin maddesi gereksinimlerini ticari ürün uygulama oranlarına dönüştürme
* Tarım makinelerinde kullanıma hazır gübre uygulama haritaları oluşturma

### 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
)
```

Bu işlev, kum, silt ve kil yüzdelerini kullanarak her piksel için USDA toprak tekstürünü tahmin eder.

Tane boyutu fraksiyonlarını temsil eden, yüzde (0-100) cinsinden üç raster katmanı sağlayın. Çıktı, <mark style="background-color:green;">şu USDA sınıf adlarıdır:</mark> *<mark style="background-color:green;">sand, loamy\_sand, sandy\_loam, loam, silt\_loam, sandy\_clay\_loam, clay\_loam, silty\_clay\_loam, silty\_clay veya undefined</mark>* <mark style="background-color:green;">girdiler geçersiz olduğunda.</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
)
```

Bu işlev, kum, silt ve kil yüzdelerine göre her piksel için FAO/WRB (ISO 11277) toprak tekstür sınıfını tahmin eder.

Tane boyutu fraksiyonlarını temsil eden, yüzde (0-100) cinsinden üç raster katmanı sağlayın. Çıktı, <mark style="background-color:green;">şu FAO/WRB sınıf kodlarıdır:</mark> *<mark style="background-color:green;">S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC veya undefined</mark>* <mark style="background-color:green;">girdiler geçersiz olduğunda</mark>.

### calculate\_soil\_bulk\_density

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

Bu işlev, tekstür sınıfına ve isteğe bağlı olarak toprak organik madde (SOM) içeriğine göre <mark style="background-color:green;">toprak hacim ağırlığını (g/cm³) hesaplar.</mark>.

Bu `texture_class_layer` katmanında, şu işlevler tarafından üretilen sınıf adları veya kodları bulunmalıdır: [USDA tekstür işlevi](#estimate_texture_class_based_on_usda) ya da [FAO/WRB tekstür işlevi](#estimate_texture_class_based_on_fao_wrb) (yukarıda belirtilen).

Eğer `som_pct_layer` yüzde değeri olarak sağlanırsa işlev, organik madde miktarını (SOM) kullanarak hacim ağırlığını ayarlar. Aksi hâlde, USDA veya FAO/WRB arama tablosuna göre tekstür sınıflarıyla ilişkili toprak hacim ağırlığı değerlerini g/cm³ cinsinden döndürür.


---

# 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/tr/urun-turu-web-uygulamasi/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.
