Özel Fonksiyonlar Kataloğu

Bu fonksiyonlar karmaşık python kodunu kapsülleyerek, gelişmiş veri manipülasyonları ve hesaplamaları kolaylıkla uygulamanıza olanak tanır.

GeoPard, Denklem Tabanlı Analitiklerin okunabilirliğini ve işlevselliğini artırmak için tasarlanmış kapsamlı bir Özel Fonksiyonlar Kataloğu sunar. Bu fonksiyonlar karmaşık python kodu kapsüller, böylece gelişmiş veri manipülasyonlarını ve hesaplamalarını kolaylıkla uygulayabilirsiniz.

Denklem Girin

Bir Denklem Girin

GeoPard platformu içinde daha sezgisel ve sürdürülebilir Denklemler oluşturmak için kullanılabilir önceden oluşturulmuş fonksiyon listesini içerir geopard paketi:

fill_gaps_with_k_neighbors

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

Bu fonksiyon, bir veri setindeki boşlukları veya sıfırları K-Komşular algoritmasını kullanarak geri yükler. Belirterek input_data değişkeni (seçilen özniteliğe sahip Veri Seti olarak) ve komşu sayısını kbelirterek eksik değerleri sorunsuz bir şekilde doldurabilir, veri sürekliliğini ve bütünlüğünü sağlayabilirsiniz.

Bu fonksiyon, veri boşlukları tarlaya yayılmış olduğunda ve tarla sınırının belirli bir bölümüne yoğunlaşmadığında iyi çalışır.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

İki Veri Seti arasındaki piksel başına benzerliği hesaplamak için bu fonksiyonu kullanın. Değişkenler data_layer_1 ve data_layer_2 şunu temsil etmelidir aynı ölçümü şu birimde aynı birimlerde anlamlı karşılaştırma sağlamak için. Veri Setleriyle ilişkili değişkenler sağlayarak, 0 ile 1 arasında değerler içeren bir benzerlik haritası oluşturabilir, karşılaştırmalı çalışmalar ve desen tanıma için kolaylık sağlarsınız. data_layer_1 ve data_layer_2 associated with Datasets, you can generate a similarity map with values ranging from 0 to 1, facilitating comparative studies and pattern recognition.

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)

İki normalize edilmiş veri seti arasındaki piksel başına benzerliği hesaplamak için bu fonksiyonu kullanın. Orijinal veriler data_layer_1 ve data_layer_2 farklı ölçeklere veya birimlere sahipse normalizasyon önerilir. Bu veri setlerini girdi olarak sağlayarak, fonksiyon 0 ile 1 arasında değerler içeren bir benzerlik haritası üretir; bu, karşılaştırmalı çalışmalar, desen tanıma ve mekânsal tutarlılık analizleri için uygundur.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Bu fonksiyon iki Veri Seti arasındaki düşük-yüksek benzerliğini değerlendirir. Veri Setleriyle ilişkili değişkenleri girerek, düşük-düşük, düşük-yüksek, yüksek-düşük ve yüksek-yüksek gibi kombinasyonları gösteren kategorize edilmiş bir benzerlik haritası alırsınız; bu, incelikli veri sınıflandırması için faydalıdır. data_layer_1 ve data_layer_2 get_value_for_zone

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

Bir Veri Seti özniteliğindeki tüm değerleri tek bir bölgeden çıkarmak için bu fonksiyonu kullanın. Analiz için örneğin verim, uygulama oranı veya tohum oranı gibi değerleri izole etmek amacıyla

data_layer (öznitelik katmanı), zones_layer (bölgeler haritası) ve zone_id (bölge numarası) sağlayın. drop_value

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

Bu fonksiyon, bir Veri Seti özniteliğinden belirli değerleri kaldırmanıza olanak tanır. Bir Veri Seti özniteliğiyle ilişkili

belirterek ve (öznitelik katmanı), value_to_drop bir sayı olarak, istenmeyen değerleri sonuçtan çıkararak Veri Seti öznitelik verilerini temizleyebilirsiniz (teknik olarak istenmeyen değerleri NaN ile değiştirerek).).

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Veri Seti özniteliğinizi bu fonksiyonla verimli şekilde normalize edin. Veri Seti özniteliğiyle ilişkili (öznitelik katmanı), değerini girdi olarak sağlayarak veriyi 0 ile 1 arasında standart bir aralığa ölçeklendirebilir, farklı Veri Setleri 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)

Birim başına alan (örneğin kg/ha, l/ha, gal/ac vb.) olarak Uygulanan Toplam Gübreyi hesaplayın. Uygulayarak application_list AppliedRate özniteliklerine sahip Veri Setleri ve bunlara karşılık gelen active_ingredient_coefficient_list gübre ürünleri ile gerçek uygulanan toplam gübreyi birimlerde (örneğin kg, l, gal vb.) elde edersiniz.

calculate_total_applied_nitrogen

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

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Bu fonksiyonla Uygulanan Toplam Azotu kg/ha cinsinden hesaplayın. Gerçek azotu kg/ha'ya dönüştürmek için azot ürünleri ile birlikte application_list AppliedRate özniteliklerine sahip Veri Setleri ve bunlara karşılık gelen active_ingredient_coefficient_list sağlayarak, Tarımsal planlama ve sürdürülebilirlik değerlendirmeleri için gerekli olan Uygulanan Toplam Azotu doğru bir şekilde hesaplayabilirsiniz. Çıktı şu şekilde kullanılır N_total_applied şu fonksiyondageopard.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 Azot Alımını kg/ha cinsinden belirleyin. Sağlayarak yield_wet_tha, moisture_pct, protein_pct Verim Veri Setinden ve protein_crop_correction_coefficient protein ile azot alımı arasındaki ilişkiyi temsil eden düzeltme katsayısı, ürün üretiminde Azot Kullanım Verimliliğini değerlendirebilirsiniz. Çıktı şu şekilde kullanılır N_uptake şu fonksiyondageopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Bu fonksiyonla Azot Kullanım Verimliliğini yüzde olarak değerlendirin. Önceki fonksiyonlardan elde edilen N_total_applied ve N_uptake değişkenleri girerek azot uygulamasının etkinliğini ölçebilir ve gübre kullanımını optimize etmeye yardımcı olabilirsiniz.

calculate_costs

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

Bu fonksiyonla uygulama oranları ve fiyatlara dayalı Toplam Maliyetleri hesaplayın. Bir application_rate_list AppliedRate özniteliklerine sahip Veri Setlerinden ve karşılık gelen price_per_unit_listsağlayarak, çeşitli tarımsal faaliyetlerle ilgili masrafları toplayabilir, bütçe yönetimi ve finansal planlama için destek sağlayabilirsiniz. Çıktı şu şekilde kullanılır costs şu fonksiyondageopard.calculate_profit.

calculate_revenue

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

Bu fonksiyonla Verim Veri Setinden Geliri hesaplayın. Sağlayarak yield_as_mass Verim Veri Seti özniteliği ile ilişkili ve yield_price_per_unitbirimi başına verim fiyatını girerek, ürün yetiştiriciliğinden elde edilen geliri tahmin edebilir ve ekonomik değerlendirmeleri kolaylaştırabilirsiniz. Çıktı şu şekilde kullanılır costs şu fonksiyondageopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Bu fonksiyonla Gelirden Maliyeti çıkararak Karı belirleyin. Önceki fonksiyonlardan elde edilen revenue ve costs değişkenleri sağlayarak tarımsal işlemlerinizin finansal kazancını kolayca hesaplayabilir, kârlılık analizleri ve stratejik karar alma süreçlerini destekleyebilirsiniz.

fill_value_for_range

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

Bu fonksiyon, belirli bir aralıktaki değerleri girdideki dizide filtreler. Sağlayarak array, birlikte isteğe bağlı dizide filtreler. Sağlayarak min_value ve isteğe bağlı max_value eşik değerleri, istenen aralığa giren değerleri izole edebilirsiniz. value_to_fill parametresi, aralık dışı değerleri belirtilen bir değerle değiştirmeye izin verir; bu, veri filtreleme ve normalizasyon süreçlerini geliştirir. calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

İki veri seti arasındaki piksel başına Ortalama Mutlak Hata'yı (MAE) hesaplamak için bu fonksiyonu kullanın. Bu, mutlak farkların mekânsal bir haritasını sağlar. "Mutlak fark", karşılık gelen piksel değerleri arasındaki boşluğun büyüklüğüdür; birinin daha yüksek veya daha düşük olup olmadığı dikkate alınmaz.

Fonksiyon, daha büyük uyumsuzlukların olduğu alanları belirlemeye yardımcı olur.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Bu fonksiyon, iki veri seti arasındaki her piksel için göreli sapmayı hesaplar ve farkı

dataset_1 değerinin yüzdesi olarak ifade eder.Özünde, bir pikselin değeri ile karşılık gelen değere göre oransal olarak ne kadar saptığını gösterir. değerinin yüzdesi olarak ifade eder. Bu yaklaşım, toprak özellikleri, ürün verimi veya uzaktan algılama verilerindeki değişimleri analiz ederken özellikle değerlidir ve önemli oransal farklılıklara sahip alanları hızla tespit etmeyi sağlar.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Bu fonksiyon, bir veri setini diğerinden çıkararak bir fark haritası oluşturur. Bir veri setindeki değerlerin diğerine kıyasla daha yüksek veya daha düşük olduğu alanları vurgular; bu sayede eğilimleri ve zaman içindeki değişimleri tespit etmek kolaylaşır.

Bu araç, toprak özellikleri, ürün verimi veya uzaktan algılama verilerindeki değişimleri görselleştirmek için özellikle yararlıdır ve daha fazla analiz veya müdahale gerektirebilecek kilit alanları hızlıca belirlemeye yardımcı olur.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Bu fonksiyon, veri setleri arasındaki farkı normalleştirerek her piksel için göreli farkı hesaplar ve normalizasyon için

dataset_2 değerlerini kullanır.Bu, değişimin büyüklüğe göre ne kadar anlamlı olduğunu gösterir. değerlerini kullanır..

Böyle oransal karşılaştırma, farklı ölçeklere sahip veri setleriyle çalışırken özellikle faydalıdır; toprak özellikleri, ürün verimleri veya sensör çıktılarındaki göreli değişimleri ortaya çıkarmaya yardımcı olur. Bu yaklaşım, belirgin varyasyonlara sahip alanların tespit edilmesini sağlar.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Bu fonksiyon, her piksel için normalize farkı hesaplar ve her iki veri setini küresel maksimum değerlerine göre ölçeklendirir. Bu işlem, verilerin orijinal aralıkları farklı olsa bile doğrudan karşılaştırılabilir hale gelmesini sağlar.

Ortaya çıkan harita, toprak özellikleri, ürün verimi ve uzaktan algılama verilerindeki farklılıkların net bir görünümünü sağlar; önemli farkları hızla belirlemeye ve değerlendirmeye olanak tanır.

build_zones_by_intervals

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

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

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

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

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

Tipik kullanım senaryoları

• Verim, NDVI veya toprak katmanlarından yönetim bölgeleri oluşturma

• Besin veya ekim oranı hesaplamaları için bölge haritaları hazırlama

• Karar alma için tarlaları homojen bölgelere ayırma

calculate_nutrient_rate_as_active_ingredients_per_zone

# hedef_besin seçenekleri
target_nutrient_option1 = 50 # sabit sayı
# YA DA
target_nutrient_option2 = {1: 20, 2: 40} # bölge başına sözlük
# YA DA
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 # veya []
)

Bu fonksiyon, her yönetim bölgesi için gereken besin uygulama oranını (etkin madde olarak) hesaplar.

Hesaplama şuna dayanır:

• hedef besin seviyesi,

• topraktan bitki tarafından erişilebilir besin arzı,

• daha önce yapılan uygulamalarla sağlanmış besinler (gübre, kompost, sindirici vb.).

Uygulanmış besin operasyonları sabitler, bölge başına değerler, raster katmanlar veya bunların herhangi bir kombinasyonu olarak sağlanabilir. Tüm girdiler otomatik olarak çözülür ve bölge bazında toplanır.

Varsayılan olarak, gereken oran hedef besin seviyesi ile toprak arzı ve uygulanmış besinlerin toplamı arasındaki fark olarak hesaplanır. Sonuç, her bölgenin tekdüze bir besin oranı içerdiği bir raster harita olarak döndürülür.

convert_active_ingredient_and_product

# etkin_madde ile ürün arasında ve tersine dönüşüm katsayısı
corrected_coefficient = 1.5  # sabit katsayı
# YA DA
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 katmanı etkin madde oranları ile ürün oranları arasında bir düzeltme katsayısı kullanarak dönüştürür.

Katsayı corrected_coefficient tek bir ondalık sayı (tüm piksellere uygulanır) veya bir katsayı matrisi (piksel başına dönüşüm) olabilir. Genellikle hesaplanan besin gereksinimlerini (etkin madde) gübre bileşimine veya besin konsantrasyonuna göre gerçek ürün uygulama oranlarına veya tersine çevirmek için kullanılır.

Dönüşüm piksel bazında uygulanır ve orijinal katmanın mekânsal yapısını korur.

Tipik kullanım senaryoları

• Besin oranlarını gübre ürün oranlarına dönüştürme

• Uygulama haritalarını besin konsantrasyonuna göre ayarlama

• Makinalar için nihai 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, silt ve kil yüzdelerini kullanarak her piksel için USDA toprak dokusunu tahmin eder.

Parçacık boyutu fraksiyonlarını temsil eden yüzde (%) cinsinden üç raster katmanı sağlayın (0-100). Çıktı şunlar olacaktır USDA sınıf adları gibi kum, kumlu_tın, kumlu_tın, tın, silt_tın, kumlu_kil_tın, kil_tın, siltli_kil_tın, siltli_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, silt ve kil yüzdelerine dayalı olarak her piksel için FAO/WRB (ISO 11277) toprak doku sınıfını tahmin eder.

Parçacık boyutu fraksiyonlarını temsil eden yüzde (%) cinsinden üç raster katmanı sağlayın (0-100). Çıktı şunlar olacaktır FAO/WRB sınıf kodları örneğin 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, doku sınıfına ve isteğe bağlı toprak organik maddeye (SOM) dayanarak toprak birim hacim ağırlığını (g/cm³) hesaplar..

Katsayı texture_class_layer yukarıda bahsedilen USDA doku fonksiyonu tarafından üretilen sınıf adlarını veya kodlarını içermelidir veya FAO/WRB doku fonksiyonu tarafından üretilen kodları.

Eğer som_pct_layer sağlanırsa (yüzde), fonksiyon SOM'u kullanarak birim hacim ağırlığını ayarlar. Aksi halde, USDA veya FAO/WRB eşlemesine göre doku sınıflarıyla ilişkili toprak birim hacim ağırlığı (g/cm³) değerlerini döndürür.