Was ist der nützlichste räumliche R-Trick?

R wird zu einem starken Werkzeug für die Verarbeitung und Analyse von Geodaten. Ich habe einige nützliche Dinge durch Fragen wie diese bei SO gelernt und dachte, dass es nützlich sein könnte, etwas Ähnliches zu haben, das aber eher räumlich orientiert ist.

Können Sie einige räumliche R-Tipps und -Tricks weitergeben, die Sie für nützlich befunden haben?

Dies ist weniger ein Trick als vielmehr die spplot()raffinierte integrierte Funktionalität. spplot()Die Skalierbarkeit von Legendenmustern (um Klassifizierungsunterbrechungsbereiche abzugleichen) ist ein nützliches pädagogisches Werkzeug bei der Erörterung von Attributdatenverteilung und Klassifizierungstypen. Das Kombinieren von kumulativen Verteilungsdiagrammen mit den Karten hilft dabei.

Die Schüler müssen nur einige Skriptparameter ändern, um Klassifizierungstypen und Datentransformationseffekte zu untersuchen. Dies ist in der Regel der erste Ausflug in R in einem hauptsächlich auf ArcGIS ausgerichteten Kurs.

Hier ist ein Codeausschnitt:

library(rgdal) # Loads SP package by default
NE = readOGR(".", "NewEngland") # Creates a SpatialPolygonsDataFrame class (sp)

library(classInt)
library(RColorBrewer)
pal = brewer.pal(7,"Greens")
brks.qt = classIntervals(NE$Frac_Bach, n = 7, style = "quantile")
brks.jk = classIntervals(NE$Frac_Bach, n = 7, style = "jenks")
brks.eq = classIntervals(NE$Frac_Bach, n = 7, style = "equal")

# Example of one of the map plots
spplot(NE, "Frac_Bach",at=brks.eq$brks,col.regions=pal, col="transparent",
       main = list(label="Equal breaks"))
# Example of one of the cumulative dist plots
plot(brks.eq,pal=pal,main="Equal Breaks")

Ref: Angewandte Geodatenanalyse mit R (R. Bivand, E. Pebesma & V. Gomez-Rubio)

BEARBEITEN: Beachten Sie, dass dies nicht mehr funktioniert, 2018-10-24, aufgrund neuer Anforderungen für Google Map-Quellen.

Ich war ziemlich glücklich, das Dismo-Paket mit Geokodierung und Google Maps-Download zu finden:

library(dismo)
x <- geocode('110 George Street, Bathurst, NSW, Australia')
a <- x[5:8] + c(-0.001, 0.001, -0.001, 0.001)
e <- extent(as.numeric(a))
g <- gmap(e, type = "satellite")

plot(g)

Das heißt, in R 2.12.0 unter Windows ist es trivial, dismo und seine Abhängigkeiten dort zu installieren, nicht sicher auf anderen Systemen.

Hier sind einige, die ich gesammelt habe.

cran.r räumlich , gmane blog , Zeitreihenanalyse , Geodatacenter

Auch kein Trick, aber hier sind einige Ressourcen / Beispiele, die ich gesammelt habe

Ein Beispiel für das Plotten mehrerer kleiner Karten von Areal-Daten in R mithilfe des Gitterpakets.

Es gibt ein paar Fragen zu StackOverflow, die sich mit Mapping und R befassen, und hier ist eine mit einem schönen Beispiel. Ich würde mir auch die anderen Antworten und die darin enthaltenen Ressourcen ansehen (und nach weiteren Beispielen suchen).

Einen anderen Link zu derselben R-Sig-Geo- Gruppe gab Brad bereits. Es ist sehr aktiv und Roger Bivand beantwortet praktisch jeden Tag Fragen in der Gruppe. Beide bezogen sich auf Programmierung und statistische Analyse.

Neben dem Auschecken der räumlichen Seite von cran würde ich auch vorschlagen, die von Adrian Baddeley gepflegte Spatstat- Seite speziell auszuprobieren . Viele Beispiele, ein Kurs und ein bevorstehendes E-Book. (Im Moment habe ich den Spatstat- Kurs durchlaufen , und ich denke, es ist eine viel sanftere Einführung als das Bivand-Buch).

Keine kostenlose Ressource, aber für alle, die sich für RI interessieren, empfehlen wir Ihnen, die Seite Use R! Serie von Springer. Das Buch Applied Spatial Data Analysis mit R ist direkt relevant (auch das Buch A Beginner's Guide to R ist mein Vorschlag, R zu lernen.)

Ein kostenloses E-Book, ein praktischer Leitfaden zur geostatistischen Kartierung (Hengl 2009), enthält Beispiele für angewandte Geostaten in R, GRASS und Google Earth (KML).

Wenn ich weitere gute Beispiele finde, werde ich diese weiter aktualisieren (ich hoffe, dass auch andere Leute gute Beispiele posten!)

Für die Rasteranalyse ist das Rasterpaket äußerst leistungsfähig. Neben dem Standardhandbuch gibt es ein paar Vignetten, um loszulegen.

Ich bin kein PostGIS-Benutzer, aber nachdem ich Voronoi-Polygone für eine Frage zum nächsten Nachbarn vorgeschlagen habe , habe ich ein bisschen gesucht. Ich habe festgestellt, dass Sie mit R Voronoi-Polygone für PostGIS erstellen können . Ich bin beeindruckt.

Ich bin auf Spatial-Analyst.net gestoßen . Sehr informativ, umfassend und nützlich. Weitere Informationen zu dieser Frage und einige der vorherigen Antworten finden Sie auf dieser Seite .

Lesen Sie auch hier, wie Sie hochwertige statistische Analysen in GRASS genießen können: http://grass.osgeo.org/wiki/R_statistics

Mit dieser Funktion können Sie auf einfache Weise räumliche Verknüpfungen erstellen, allerdings nur, wenn alle Bereiche mit Polygonen gefüllt sind.

library(rgeos)
library(sp) 
library(maptools)
library(rgdal)
library(sp)
xy.map <- readShapeSpatial("http://www.udec.cl/~jbustosm/points.shp")
manzana.map <- readShapeSpatial("http://www.udec.cl/~jbustosm/manzanas_from.shp" )

IntersectPtWithPoly <- function(x, y) { 
# Extracts values from a SpatialPolygonDataFrame with SpatialPointsDataFrame, and appends table (similar to 
# ArcGIS intersect)
# Args: 
#   x: SpatialPoints*Frame
#   y: SpatialPolygonsDataFrame
# Returns:
# SpatialPointsDataFrame with appended table of polygon attributes

  # Set up overlay with new column of join IDs in x
  z <- overlay(y, x)

  # Bind captured data to points dataframe
  x2 <- cbind(x, z)

  # Make it back into a SpatialPointsDataFrame 
  # Account for different coordinate variable names 
  if(("coords.x1" %in% colnames(x2)) & ("coords.x2" %in% colnames(x2))) {
    coordinates(x2) <- ~coords.x1 + coords.x2  
  } else if(("x" %in% colnames(x2)) & ("x" %in% colnames(x2))) {
    coordinates(x2) <- ~x + y 
  }

  # Reassign its projection if it has one
  if(is.na(CRSargs(x@proj4string)) == "FALSE") {
    x2@proj4string <- x@proj4string  
  }
  return(x2)
}


test<-IntersectPtWithPoly (xy.map,manzana.map)

Beispiel für eine Punktmusteranalyse:

#Load library
library(spatstat) 
#create some coordinates        
x=c(78,120,150,17,20,402) 
#prepare the window range      
y=c(70,103,100,205,200,301)
win=owin(range(x),range(y)) 
#create the point pattern
p <- ppp(x,y,window=win)
#Plot it
plot(p) 

Erstellt ein Punktmuster und zeigt es. Das spatstat- Paket verfügt über eine Reihe von Funktionen zur Analyse von geografischen Daten. Hier sind einige spatstat- Tutorials:

• Spatstat : Ein R-Paket zum Analysieren von räumlichen Punktmustern
• Einführung in spatstat
• Umgang mit Shapefiles im spatstat-Paket

Ich bin mir nicht sicher, ob dies ein "Trick" ist, aber ich bin ein großer Fan der Kombination des acsPakets (zur Auswahl von US-Volkszählungsdaten) und des leafletPakets (zur Erstellung interaktiver Javascript-Karten, die online gehostet werden können).

Dieses Tutorial macht einen hervorragenden Job und zeigt den Nutzen der Verwendung dieser beiden Pakete zusammen.