Каталог власних функцій

Ці функції інкапсулюють складний код Python, дозволяючи легко реалізовувати складні маніпуляції з даними та обчислення.

GeoPard пропонує комплексний каталог користувацьких функцій, розроблених для покращення читабельності та функціональності аналітики на основі рівнянь. Ці функції інкапсулюють складний python код, дозволяючи вам легко реалізовувати складні маніпуляції з даними та обчислення.

Введіть рівняння

Введіть рівняння

Список доступних готових функцій для створення більш інтуїтивних і зручних для підтримки рівнянь у GeoPard включено до geopard пакета:

fill_gaps_with_k_neighbors

# input_data — це шар атрибута Dataset (наприклад, Yield, NDVI)
filled_layer = geopard.fill_gaps_with_k_neighbors(yield_layer, k=5)

Ця функція відновлює прогалини в даних або нулі в наборі даних за допомогою алгоритму K-Neighbors. Вказавши input_data змінну (як Dataset із вибраним атрибутом) і кількість сусідів k, ви можете безперешкодно заповнювати відсутні значення, забезпечуючи безперервність і цілісність даних.

Ця функція добре працює, коли прогалини в даних розподілені по полю і не зосереджені в якійсь конкретній частині межі поля.

determine_data_similarity

similarity = geopard.determine_data_similarity(yield_2023, yield_2024)

Використовуйте цю функцію для обчислення попіксельної подібності між двома наборами даних. Змінні data_layer_1 та data_layer_2 мають представляти те саме вимірювання в тих самих одиницях щоб забезпечити змістовне порівняння. Надавши змінні data_layer_1 та data_layer_2 пов’язані з Datasets, ви можете створити карту подібності зі значеннями в діапазоні від 0 до 1, що полегшує порівняльні дослідження та розпізнавання закономірностей.

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)

Використовуйте цю функцію для обчислення попіксельної подібності між двома нормалізованими наборами даних. Нормалізація рекомендована, коли вихідні data_layer_1 та data_layer_2 мають різні масштаби або одиниці. Надавши ці набори даних як вхідні, функція генерує карту подібності зі значеннями від 0 до 1, що робить її придатною для порівняльних досліджень, розпізнавання закономірностей та аналізу просторової узгодженості.

determine_low_high_similarity

zones = geopard.determine_low_high_similarity(soil_ph, yield_layer)

Ця функція оцінює низько-високу подібність між двома наборами даних. Вводячи змінні data_layer_1 та data_layer_2 пов’язані з Datasets, ви отримуєте категоризовану карту подібності, що вказує такі комбінації, як low-low, low-high, high-low і high-high, що корисно для детальної класифікації даних.

get_value_for_zone

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

Використовуйте цю функцію для вилучення всіх значень атрибута Dataset в межах однієї зони. Надайте data_layer (шар атрибута), zones_layer (карту зон) і zone_id (номер зони), щоб ізолювати значення для аналізу, такі як урожайність, норма внесення або норма висіву, всередині цієї зони.

drop_value

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

Ця функція дозволяє видаляти певні значення з атрибута набору даних. Вказавши data_layer та value_to_drop, ви можете очистити набір даних, вилучивши ці значення з результату, технічно замінивши їх на NaN.

normalize_data

ndvi_normalized = geopard.normalize_data(ndvi_layer)

Нормалізуйте атрибут набору даних за допомогою цієї функції. Передавши data_layer, ви можете масштабувати дані до стандартизованого діапазону від 0 до 1, полегшуючи порівняння та інтеграцію між різними наборами даних.

calculate_total_applied_fertilizer

applications = [urea_rate, map_rate]
coefficients = [1.0, 1.0]  # використовуйте 1.0, щоб зберегти одиниці, або скоригуйте для концентрації продукту

total_applied = geopard.calculate_total_applied_fertilizer(applications, coefficients)

Обчисліть загальну кількість внесеного добрива в одиницях на площу (наприклад, у кг/га, л/га, gal/ac тощо). Надавши application_list Datasets з атрибутами AppliedRate та відповідні active_ingredient_coefficient_list з продуктами добрив, щоб отримати фактичну загальну кількість внесеного добрива в одиницях (наприклад, у кг, л, gal тощо).

calculate_total_applied_nitrogen

applications = [urea_rate, uan_rate]
nitrogen_coefficients = [0.46, 0.32]  # частка N (діючої речовини) в кожному продукті

N_total_applied = geopard.calculate_total_applied_nitrogen(applications, nitrogen_coefficients)

Обчисліть загальну кількість внесеного азоту в кг/га за допомогою цієї функції. Надавши application_list Datasets з атрибутами AppliedRate та відповідні active_ingredient_coefficient_list з азотними продуктами для перетворення фактичного азоту в кг/га, ви можете точно обчислити загальну кількість внесеного азоту, що є важливим для сільськогосподарського планування та оцінки сталості. Результат використовується як N_total_applied уgeopard.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
)

Визначте поглинання азоту в кг/га за допомогою цієї функції. Надавши yield_wet_tha, moisture_pct, protein_pct з набору даних Yield і protein_crop_correction_coefficient що представляє зв’язок білка з поглинанням азоту, ви можете оцінити ефективність використання азоту у виробництві культур. Результат використовується як N_uptake уgeopard.calculate_nitrogen_use_efficiency .

calculate_nitrogen_use_efficiency

NUE_pct = geopard.calculate_nitrogen_use_efficiency(N_total_applied, N_uptake)

Оцініть ефективність використання азоту у відсотках за допомогою цієї функції. Вводячи N_total_applied та N_uptake змінні (з попередніх функцій), ви можете виміряти ефективність внесення азоту, що допомагає оптимізувати використання добрив.

calculate_costs

rates = [seed_rate, fertilizer_rate]
prices = [1.2, 0.8]  # ціна за одиницю для кожного шару норм
costs = geopard.calculate_costs(rates, prices)

Обчисліть загальні витрати на основі норм внесення та цін за допомогою цієї функції. Надавши application_rate_list із Datasets з атрибутами AppliedRate та відповідний price_per_unit_list, ви можете агрегувати витрати, пов’язані з різними сільськогосподарськими операціями, підтримуючи управління бюджетом і фінансове планування. Результат використовується як costs уgeopard.calculate_profit.

calculate_revenue

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

Обчисліть дохід із набору даних Yield за допомогою цієї функції. Вводячи yield_as_mass пов’язаний з атрибутом набору даних Yield і yield_price_per_unit, ви можете оцінити дохід, отриманий від виробництва культур, що полегшує економічні оцінки. Результат використовується як costs уgeopard.calculate_profit .

calculate_profit

profit = geopard.calculate_profit(revenue, costs)

Визначте прибуток, віднявши витрати від доходу, за допомогою цієї функції. Надавши revenue та costs змінні (з попередніх функцій), ви можете легко обчислити фінансовий прибуток від сільськогосподарських операцій, підтримуючи аналіз прибутковості та стратегічне прийняття рішень.

fill_value_for_range

# залишити лише значення між 10 і 20, решту замінити на 0
filtered = geopard.fill_value_for_range(layer, min_value=10, max_value=20, value_to_fill=0)

Ця функція фільтрує значення в заданому діапазоні у input масиві. Надавши input масив разом із необов’язковим min_value та необов’язковим max_value порогами, ви можете ізолювати значення, що потрапляють у бажаний діапазон. Параметр value_to_fill дозволяє замінювати значення поза діапазоном вказаним значенням, покращуючи процеси фільтрації та нормалізації даних.

calculate_per_pixel_mae

mae_layer = geopard.calculate_per_pixel_mae(predicted_yield, observed_yield)

Використовуйте цю функцію для обчислення середньої абсолютної похибки (MAE) на піксель між двома наборами даних. Вона надає просторову карту абсолютних відмінностей. «Абсолютна різниця» — це просто величина розриву між відповідними значеннями пікселів, без урахування того, яке з них більше чи менше.

Функція допомагає виявляти області з більшими розбіжностями.

calculate_per_pixel_relative_deviation

relative_dev = geopard.calculate_per_pixel_relative_deviation(observed_yield, modeled_yield)

Ця функція обчислює відносне відхилення для кожного пікселя між двома наборами даних, виражаючи різницю у відсотках від значення в dataset_1. По суті, вона показує, наскільки значення одного пікселя відхиляється від відповідного значення в dataset_1 у пропорційних величинах.

Такий підхід особливо цінний під час аналізу варіацій властивостей ґрунту, урожайності культур або даних дистанційного зондування, оскільки допомагає швидко виявляти області зі значними пропорційними відмінностями.

calculate_difference

difference = geopard.calculate_difference(yield_2024, yield_2023)

Ця функція віднімає один набір даних від іншого, щоб створити карту різниці. Вона виділяє області, де значення в одному наборі даних вищі або нижчі порівняно з іншим, що полегшує виявлення тенденцій і змін з часом.

Цей інструмент особливо корисний для візуалізації варіацій властивостей ґрунту, урожайності культур або даних дистанційного зондування, допомагаючи швидко визначати області, які можуть потребувати подальшого аналізу або втручання.

calculate_relative_difference

relative_diff = geopard.calculate_relative_difference(yield_2024, yield_2023)

Ця функція обчислює відносну різницю для кожного пікселя, нормалізуючи різницю між наборами даних із використанням значень із dataset_2. Це означає, що вона показує, наскільки значущою є зміна відносно величини dataset_2.

Таке пропорційне порівняння особливо корисне під час роботи з наборами даних різних масштабів, допомагаючи виявляти відносні зміщення у властивостях ґрунту, урожайності культур або показниках сенсорів. Цей підхід допомагає визначати області з помітною варіацією.

calculate_normalized_difference

normalized_diff = geopard.calculate_normalized_difference(layer_1, layer_2)

Ця функція обчислює нормалізовану різницю для кожного пікселя, масштабуючи обидва набори даних відносно їхнього глобального максимального значення. Цей процес робить набори даних безпосередньо порівнюваними, навіть якщо вони спочатку мають різні діапазони.

Отримана карта надає чітке уявлення про варіації властивостей ґрунту, урожайності культур і даних дистанційного зондування, дозволяючи швидко визначати та оцінювати ключові відмінності.

build_zones_by_intervals

# інтервали для зонування
intervals = [
    (4, 8),
    (8, 12),
    (12, 16)
]

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

Ця функція створює карту управлінських зон, класифікуючи безперервний растровий шар на дискретні зони на основі визначених користувачем інтервалів значень.

Кожен інтервал визначає зону, і кожному пікселю призначається зона, до діапазону значень якої він належить. Пікселі, що не відповідають жодному інтервалу, позначаються як -1.

Цей підхід до зонування зазвичай використовується для перетворення карт урожайності, властивостей ґрунту або індексів дистанційного зондування на практичні управлінські зони для диференційованого внесення.

Типові випадки використання

• Створення управлінських зон із шарів урожайності, NDVI або ґрунту

• Підготовка карт зон для розрахунків норм поживних речовин або висіву

• Сегментація полів на однорідні зони для прийняття рішень

calculate_nutrient_rate_as_active_ingredients_per_zone

# параметри target_nutrient
target_nutrient_option1 = 50 # постійне число
# АБО
target_nutrient_option2 = {1: 20, 2: 40} # словник по зонах
# АБО
target_nutrient_option3 = np.array([[1, 1], [2, 3]], dtype=float) # безперервний растровий шар

# параметри applied_nutrient_operations
applied_operations = [
    5,                                      # operation1 як постійне число
    {1: 2, 2: 4},                           # operation2 як словник по зонах
    np.array([[1, 1], [2, 3]], dtype=float) # operation3 як безперервний растровий шар
]

# використання
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 # або []
)

Ця функція обчислює необхідну норму внесення поживних речовин (діючої речовини) для кожної управлінської зони.

Розрахунок базується на:

• цільовому рівні поживної речовини,

• забезпеченні рослинодоступними поживними речовинами з ґрунту,

• поживних речовинах, уже внесених у попередніх операціях (гній, добрива, дигестат тощо).

Операції внесення поживних речовин можуть надаватися як константи, значення по зонах, растрові шари або будь-яка комбінація з них. Усі вхідні дані автоматично обробляються та агрегуються по зонах.

За замовчуванням необхідна норма обчислюється як різниця між цільовим рівнем поживної речовини та сумою ґрунтового забезпечення і внесених поживних речовин. Результат повертається як растрова карта, де кожна зона містить однорідну норму поживної речовини.

convert_active_ingredient_and_product

# коефіцієнт перетворення діючої речовини у продукт і навпаки
corrected_coefficient = 1.5  # постійний коефіцієнт
# АБО
corrected_coefficient = np.array([[np.nan, 5], [np.nan, 1]], dtype=float)  # коефіцієнти для кожного пікселя

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

Ця функція перетворює растровий шар між нормами діючої речовини та нормами продукту за допомогою коригувального коефіцієнта.

Параметр corrected_coefficient може бути одним float (застосовується до всіх пікселів) або коефіцієнтною matrix (перетворення для кожного пікселя). Зазвичай вона використовується для перетворення розрахованих потреб у поживних речовинах (діюча речовина) на фактичні норми внесення продукту або навпаки, залежно від складу добрива чи концентрації поживної речовини.

Перетворення застосовується попіксельно, зберігаючи просторову структуру вихідного шару.

Типові випадки використання

• Перетворення норм поживних речовин на норми продукту добрива

• Коригування карт внесення на основі концентрації поживної речовини

• Підготовка фінальних карт-завдань для техніки

estimate_texture_class_based_on_usda

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

Ця функція оцінює текстуру ґрунту USDA для кожного пікселя, використовуючи відсотковий вміст піску, мулу та глини.

Надайте три растрові шари у відсотках (0–100), які представляють фракції за розміром частинок. Результатом є назви класів USDA, такі як sand, loamy_sand, sandy_loam, loam, silt_loam, sandy_clay_loam, clay_loam, silty_clay_loam, silty_clay або undefined коли вхідні дані є недійсними.

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
)

Ця функція оцінює клас текстури ґрунту FAO/WRB (ISO 11277) для кожного пікселя на основі відсоткового вмісту піску, мулу та глини.

Надайте три растрові шари у відсотках (0–100), які представляють фракції за розміром частинок. Результатом є коди класів FAO/WRB, такі як S, LS, SL, L, SiL, Si, SCL, CL, SiCL, SC, SiC, C, HC або undefined коли вхідні дані є недійсними.

calculate_soil_bulk_density

bulk_density = geopard.calculate_soil_bulk_density(texture_class_layer, som_pct_layer)

Ця функція обчислює щільність складення ґрунту (г/см³) на основі класу текстури та необов’язкового вмісту органічної речовини ґрунту (SOM).

Параметр texture_class_layer має містити назви класів або коди, створені функцією текстури USDA або функцією текстури FAO/WRB згаданою вище.

Якщо som_pct_layer надано у відсотках, функція коригує щільність складення з використанням SOM. Інакше вона повертає значення щільності складення ґрунту в г/см³, пов’язані з класами текстури відповідно до таблиці відповідності USDA або FAO/WRB.