Özel Fonksiyonlar Kataloğu

Bu fonksiyonlar karmaşık Python kodunu kapsülleyerek gelişmiş veri işlemleri ve hesaplamaları kolayca uygulamanıza olanak tanır.

GeoPard, denklem tabanlı analizlerin okunabilirliğini ve işlevselliğini artırmak için tasarlanmış kapsamlı bir özel fonksiyon kataloğu sunar. Bu fonksiyonlar karmaşık python kodunu kapsülleştirerek gelişmiş veri işlemlerini ve hesaplamaları kolayca uygulamanıza olanak tanır.

Denklem Girin

Bir Denklem Girin

GeoPard içinde daha sezgisel ve bakımı daha kolay denklemler oluşturmak için kullanılabilen hazır fonksiyonların listesi geopard paketine dahildir:

fill_gaps_with_k_neighbors

# input_data bir Veri Kümesi öznitelik katmanıdır (ör. Verim, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Bu fonksiyon, bir veri kümesindeki veri boşluklarını veya sıfırları K-Komşular algoritmasını kullanarak geri doldurur. input_data değişkenini (seçilen özniteliğe sahip Veri Kümesi olarak) ve komşu sayısını kbelirterek eksik değerleri sorunsuz şekilde doldurabilir, veri sürekliliğini ve bütünlüğünü sağlayabilirsiniz.

Bu fonksiyon, veri boşlukları tarla geneline dağılmışsa ve tarla sınırının belirli bir bölümünde toplanmamışsa iyi çalışır.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Bu fonksiyonu, iki Veri Kümesi arasındaki piksel bazlı benzerliği hesaplamak için kullanın. data_layer_1 ve data_layer_2 değişkenleri aynı ölçümü ve aynı birimleri temsil etmelidir; böylece anlamlı bir karşılaştırma sağlanır. Veri Kümeleriyle ilişkili değişkenleri sağlayarak 0 ile 1 arasında değerler alan bir benzerlik haritası oluşturabilir, karşılaştırmalı çalışmalar ve desen tanıma işlemlerini kolaylaştırabilirsiniz. data_layer_1 ve data_layer_2 Veri Kümeleriyle ilişkili değişkenleri sağlayarak 0 ile 1 arasında değerler alan bir benzerlik haritası oluşturabilir, karşılaştırmalı çalışmalar ve desen tanıma işlemlerini kolaylaştırabilirsiniz.

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)

Bu fonksiyonu, normalize edilmiş iki veri kümesi arasındaki piksel bazlı benzerliği hesaplamak için kullanın. Orijinal data_layer_1 ve data_layer_2 farklı ölçeklere veya birimlere sahipse normalizasyon önerilir. Bu veri kümelerini girdi olarak vererek fonksiyon, 0 ile 1 arasında değerler alan bir benzerlik haritası üretir; bu da onu karşılaştırmalı çalışmalar, desen tanıma ve mekânsal tutarlılık analizi için uygun hâle getirir.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Bu fonksiyon, iki Veri Kümesi arasındaki düşük-yüksek benzerliğini değerlendirir. Veri Kümeleriyle ilişkili değişkenleri girdi olarak verdiğinizde, düşük-düşük, düşük-yüksek, yüksek-düşük ve yüksek-yüksek gibi kombinasyonları gösteren kategorize edilmiş bir benzerlik haritası elde edersiniz; bu da ayrıntılı veri sınıflandırması için faydalıdır. data_layer_1 ve data_layer_2 Veri Kümeleriyle ilişkili değişkenleri girdi olarak verdiğinizde, düşük-düşük, düşük-yüksek, yüksek-düşük ve yüksek-yüksek gibi kombinasyonları gösteren kategorize edilmiş bir benzerlik haritası elde edersiniz; bu da ayrıntılı veri sınıflandırması için faydalıdır.

get_value_for_zone

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

Bu fonksiyonu, bir Veri Kümesi özniteliğindeki tüm değerleri tek bir bölge içinden çıkarmak için kullanın. data_layer (öznitelik katmanı), zones_layer (bölge haritası) ve zone_id (bölge numarası) vererek o bölgenin içindeki verim, uygulama oranı veya ekim oranı gibi değerleri analiz için ayırabilirsiniz.

drop_value

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

Bu fonksiyon, bir veri kümesi özniteliğinden belirli değerleri kaldırmanıza olanak tanır. data_layer ve value_to_dropbelirterek veri kümesini, bu değerleri sonuçtan çıkarıp teknik olarak NaN.

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Bu fonksiyonla bir veri kümesi özniteliğini normalize edin. data_layervererek veriyi 0 ile 1 arasında standartlaştırılmış bir aralığa ölçekleyebilir, farklı veri kümeleri arasında karşılaştırma ve entegrasyonu kolaylaştırabilirsiniz.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # birimleri korumak için 1.0 kullanın veya ürün konsantrasyonuna göre ayarlayın

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Bu fonksiyonla birim alan başına Toplam Uygulanan Gübreyi hesaplayın (örneğin kg/ha, l/ha, gal/ac vb.). application_list UygulamaOranı özniteliklerine sahip Veri Kümeleri ve bunlara karşılık gelen active_ingredient_coefficient_list gübre ürünleriyle birlikte verilerek gerçek toplam uygulanan gübreyi birim olarak (örneğin kg, l, gal vb.) elde edebilirsiniz.

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # her üründeki N oranı (aktif madde)

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Bu fonksiyonla kg/ha cinsinden Toplam Uygulanan Azotu hesaplayın. application_list UygulamaOranı özniteliklerine sahip Veri Kümeleri ve bunlara karşılık gelen active_ingredient_coefficient_list azot ürünleriyle birlikte vererek gerçek azotu kg/ha değerine dönüştürebilir ve tarımsal planlama ile sürdürülebilirlik değerlendirmeleri için önemli olan Toplam Uygulanan Azotu doğru şekilde hesaplayabilirsiniz. Çıktı, N_total_applied olarakgeopard.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
)

Bu fonksiyonla kg/ha cinsinden Azot Alımını belirleyin. yield_wet_tha, moisture_pct, protein_pct değerlerini Verim Veri Kümesinden ve protein_crop_correction_coefficient değerini proteinin azot alımıyla ilişkisini temsil edecek şekilde vererek, ürün üretiminde Azot Kullanım Etkinliğini değerlendirebilirsiniz. Çıktı, N_uptake olarakgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Bu fonksiyonu kullanarak Azot Kullanım Etkinliğini yüzde olarak değerlendirin. N_total_applied ve N_uptake değişkenlerini (önceki fonksiyonlardan) girerek azot uygulamasının etkinliğini ölçebilir, gübre kullanımını optimize etmeye yardımcı olabilirsiniz.

calculate_costs

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

Bu fonksiyonla uygulama oranları ve fiyatlara göre Toplam Maliyetleri hesaplayın. Bir application_rate_list olarak AppliedRate özniteliklerine sahip Veri Kümeleri ve buna karşılık gelen bir price_per_unit_listsağlayarak çeşitli tarımsal faaliyetlere ilişkin giderleri toplayabilir, bütçe yönetimi ve mali planlamayı destekleyebilirsiniz. Çıktı, costs olarakgeopard.calculate_profit.

calculate_revenue

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

Bu fonksiyonla Verim Veri Kümesinden Gelir hesaplayın. yield_as_mass Verim Veri Kümesi özniteliğiyle ilişkili olarak ve yield_price_per_unitdeğerini girerek ürün üretiminden elde edilen geliri tahmin edebilir, ekonomik değerlendirmeleri kolaylaştırabilirsiniz. Çıktı, costs olarakgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Bu fonksiyonla Gelirden Maliyetleri çıkararak Kârı belirleyin. revenue ve costs değişkenlerini (önceki fonksiyonlardan) vererek tarımsal faaliyetlerinden elde edilen mali kazancı kolayca hesaplayabilir, kârlılık analizi ve stratejik karar almayı destekleyebilirsiniz.

fill_value_for_range

# yalnızca 10 ile 20 arasındaki değerleri tutun, kalanını 0 ile değiştirin
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Bu fonksiyon, belirtilen bir aralıktaki değerleri input dizisi içinde filtreler. input array ile birlikte isteğe bağlı min_value ve isteğe bağlı max_value eşiklerini vererek istenen aralığa düşen değerleri ayırabilirsiniz. value_to_fill

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Bu fonksiyonu, iki veri kümesi arasındaki piksel başına Ortalama Mutlak Hata'yı (MAE) hesaplamak için kullanın. Mutlak farkların mekânsal bir haritasını sağlar. "Mutlak fark", birinin daha yüksek ya da daha düşük olmasına bakılmaksızın, karşılık gelen piksel değerleri arasındaki farkın büyüklüğüdür.

Fonksiyon, uyuşmazlıkların daha büyük olduğu alanların belirlenmesine yardımcı olur.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Bu fonksiyon, iki veri kümesi arasındaki her piksel için göreli sapmayı hesaplar ve farkı dataset_1içindeki değerin yüzdesi olarak ifade eder. Temelde, bir pikselin değerinin karşılık gelen değerden ne kadar saptığını gösterir dataset_1 oransal açıdan.

Bu yaklaşım özellikle toprak özellikleri, ürün verimi veya uzaktan algılama verilerindeki değişimleri analiz ederken değerlidir; çünkü önemli oransal farkların olduğu alanları hızlıca fark etmenize yardımcı olur.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Bu fonksiyon, bir fark haritası oluşturmak için bir veri kümesinden diğerini çıkarır. Bir veri kümesindeki değerlerin diğerine göre daha yüksek ya da daha düşük olduğu alanları vurgular; böylece zaman içindeki eğilimleri ve değişimleri fark etmek kolaylaşır.

Bu araç, özellikle toprak özellikleri, ürün verimi veya uzaktan algılama verilerindeki değişimleri görselleştirmek için faydalıdır; daha fazla analiz veya müdahale gerektirebilecek alanları hızlıca belirlemenize yardımcı olur.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Bu fonksiyon, veri kümeleri arasındaki farkı dataset_2değerlerini kullanarak normalize edip her piksel için göreli farkı hesaplar. Bu, değişimin büyüklüğe göre ne kadar önemli olduğunu gösterir dataset_2.

Böylesi oransal bir karşılaştırma, özellikle farklı ölçeklerdeki veri kümeleriyle çalışırken yararlıdır; toprak özellikleri, ürün verimleri veya sensör çıktılarındaki göreli kaymaları ortaya çıkarmaya yardımcı olur. Bu yaklaşım, dikkat çekici değişimin olduğu alanların belirlenmesini sağlar.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Bu fonksiyon, her iki veri kümesini de kendi küresel maksimum değerlerine göre ölçekleyerek her piksel için normalize edilmiş farkı hesaplar. Bu işlem, veri kümeleri başlangıçta farklı aralıklara sahip olsa bile doğrudan karşılaştırılabilir olmalarını sağlar.

Ortaya çıkan harita, toprak özellikleri, ürün verimi ve uzaktan algılama verilerindeki farklılıkların net bir görünümünü sunar; temel farkları hızlıca belirlemenize ve değerlendirmenize olanak tanır.

build_zones_by_intervals

# bölgeleme için aralıklar
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

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

Her aralık bir bölgeyi tanımlar ve her piksel, değer aralığına düştüğü bölgeye atanır. Hiçbir aralıkla eşleşmeyen pikseller -1 olarak işaretlenir.

Bu bölgeleme yaklaşımı, verim haritalarını, toprak özelliklerini veya uzaktan algılama indekslerini değişken oranlı uygulamalar için uygulanabilir yönetim bölgelerine dönüştürmek amacıyla yaygın olarak kullanılır.

Tipik kullanım alanları

• Verim, NDVI veya toprak katmanlarından yönetim bölgeleri oluşturma

• Besin maddesi veya ekim oranı hesaplamaları için bölge haritaları hazırlama

• Karar verme için tarlaları homojen bölgelere ayırma

calculate_nutrient_rate_as_active_ingredients_per_zone

# 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,                                      # işlem1 sabit sayı olarak
    {1: 2, 2: 4},                           # işlem2 bölge başına sözlük olarak
    np.array([[1, 1], [2, 3]], dtype=float) # işlem3 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 # veya []
)

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

Hesaplama şunlara dayanır:

• hedef bir besin maddesi düzeyi,

• topraktan bitkiye yarayışlı besin maddesi arzı,

• önceki uygulamalarla verilmiş besin maddeleri (çiftlik gübresi, ticari gübreler, digestat vb.).

Uygulanan besin maddesi işlemleri sabit değerler, bölge başına değerler, raster katmanları veya bunların herhangi bir birleşimi olarak verilebilir. Tüm girdiler otomatik olarak çözülür ve bölge bazında toplanır.

Varsayılan olarak gerekli oran, hedef besin maddesi düzeyi ile toprak arzı ve uygulanmış besin maddelerinin toplamı arasındaki fark olarak hesaplanır. Sonuç, her bölgenin tekdüze bir besin maddesi oranı içerdiği bir raster harita olarak döndürülür.

convert_active_ingredient_and_product

# aktif maddeyi ürüne ve tersini dönüştürme 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 fonksiyon, bir raster katmanını aktif madde oranları ile ürün oranları arasında bir düzeltme katsayısı kullanarak dönüştürür.

Bu corrected_coefficient tek bir float (tüm piksellere uygulanır) veya bir katsayı matrix (piksel başına dönüşüm) olabilir. Genellikle hesaplanan besin maddesi ihtiyacını (aktif madde) gübre bileşimine veya besin maddesi konsantrasyonuna göre gerçek ürün uygulama oranlarına dönüştürmek ya da tersini yapmak için kullanılır.

Dönüşüm, orijinal katmanın mekânsal yapısını koruyacak şekilde piksel bazında uygulanır.

Tipik kullanım alanları

• Besin maddesi oranlarını gübre ürünü oranlarına dönüştürme

• Uygulama haritalarını besin maddesi konsantrasyonuna göre ayarlama

• Makine için son reçete haritalarını hazırlama

estimate_texture_class_based_on_usda

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

Bu fonksiyon, kum, mil ve kil yüzdelerini kullanarak her piksel için USDA toprak bünyesini tahmin eder.

Parçacık boyutu fraksiyonlarını temsil eden yüzde (0-100) cinsinden üç raster katmanı sağlayın. Çıktı, şu gibi USDA sınıf adlarıdır: kum, tınlı_kum, kumlu_tın, tın, milli_tın, kumlu_killi_tın, killi_tın, milli_killi_tın, milli_kil veya tanımsız girdiler geçersiz olduğunda.

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
)

Bu fonksiyon, kum, mil ve kil yüzdelerine göre her piksel için FAO/WRB (ISO 11277) toprak bünye sınıfını tahmin eder.

Parçacık boyutu fraksiyonlarını temsil eden yüzde (0-100) cinsinden üç raster katmanı sağlayın. Çıktı, şu gibi FAO/WRB sınıf kodları: S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC veya tanımsız girdiler geçersiz olduğunda.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Bu fonksiyon toprak hacim ağırlığını (g/cm³), bünye sınıfına ve isteğe bağlı toprak organik maddesine (SOM) göre hesaplar.

Bu texture_class_layer yukarıda belirtilen USDA bünye fonksiyonu veya FAO/WRB bünye fonksiyonu tarafından üretilen sınıf adlarını ya da kodlarını içermelidir.

Eğer som_pct_layer yüzde değeri olarak sağlanırsa, fonksiyon SOM kullanarak hacim ağırlığını ayarlar. Aksi takdirde, USDA veya FAO/WRB eşleştirme tablosuna göre bünye sınıflarıyla ilişkili g/cm³ cinsinden toprak hacim ağırlığı değerlerini döndürür.