Більше

Кращий спосіб поєднати 2 растри


У мене два растрові шари: один із роздільною здатністю 56 м, а другий - 30 м. Зазвичай я просто використовую команду 'Combine' в ArcGIS, щоб об'єднати їх, отримуючи одне значення для кожної унікальної комбінації значень 2-х растрів. ArcGIS внутрішньо контролює передискретизацію, і отриманий растр має роздільну здатність 56 м.

Як варіант, можна розділити 56-метровий растр на два (отримавши два 28-метрових растри в результаті), передискретизувати 28-метровий растр на 30-метрові растри, а потім об’єднати з іншим 30-метровим растром.

Який шлях кращий з точки зору точності? Будь-які цитати до цієї міри були б дуже корисними.


Максимальна точність, яку ви можете отримати, - це найнижча роздільна здатність комірки (або найбільший розмір комірки), і розділення клітинок не збільшить точність. Ось чому ArcGIS використовує за замовчуванням найбільший розмір комірки при поєднанні растрів. Поєднання растрів з використанням найменшого розміру комірки вводить в оману, це дозволяє думати, що ваша точність вища, ніж вона насправді.

Ви можете контролювати спосіб, яким будуть керувати растри, комбінуючи, спочатку передискретизуючи растр із найвищою роздільною здатністю (найменшим розміром комірки). Використовуйте розмір комірки та вирівнювання більш грубого растру та оберіть метод передискретизації, який підходить для ваших даних (наприклад, ви не виберете той самий метод для безперервних даних, таких як висота та для даних категорій, таких як типи грунту).


Пост 6: Растровий аналіз

Цілі та завдання:

Метою цієї вправи було використання растрових інструментів геообробки для створення моделей придатності видобутку пісочного видобутку та екологічного та культурного ризику в окрузі Тремппіо. Потім результати можна накласти, щоб знайти найбажаніші місця для видобутку піску з глибоким викидом з найменшим впливом.

Передумови:

Растровий аналіз цінний з багатьох причин. Обчислення растрів те саме, що перетинання придатних векторних шарів. Однак різниця з використанням растрів полягає в тому, що ви можете додавати растри, щоб визначити рейтинг придатності. Це може бути корисніше, ніж проста відповідь "так" чи "ні", отримана від векторних файлів, що перетинаються. Крім того, використання растрів для аналізу відстані є більш ефективним, ніж використання векторів, оскільки растри можуть зберігати безперервну інформацію про відстань, тоді як вектори зберігають лише дискретну інформацію.

  • Геологічне та амплітудне дослідження історії штату Вісконсин
  • Департамент транспорту США
  • Національна карта USGS
    • Наземний покрив
    • Цифрова модель висоти

    Вся територія графства Тремпіоло була занадто великою для растрового аналізу, тому південна частина графства була використана як досліджувана зона. В обстановці навколишнього середовища маску обстежуваної ділянки встановлювали як ступінь обробки.

    До використовуваних растрових інструментів належать растровий калькулятор, перекласифікація, евклідова відстань, нахил, видимість та фокусна статистика. Класифікація рівних інтервалів застосовувалася для багатьох повторних класів.

    Для створення всіх растрів були використані моделі потоку даних (рис. 1-3). Моделі показані нижче:

    Рисунок 1: Модель потоку даних для моделі придатності. Були створені та класифіковані окремі фактори. Потім фактори об'єднали разом, щоб створити загальну модель придатності.

    Рисунок 2: Модель потоку даних для моделі ризику. Були створені та класифіковані окремі фактори. Потім фактори об'єднали разом, щоб створити загальну модель ризику.

    Рисунок 3: Модель потоку даних для створення комбінованої моделі придатності / ризику. Растр моделі ризику помножили на -1, щоб він належним чином поєднувався з позитивним растром ризику придатності. У моделі були створені як звичайна, так і зважена модель придатності / ризику. Також зверніть увагу, що в цій моделі був запущений інструмент для прогляду, щоб визначити, наскільки видимою буде міна для випробування на велосипеді, що проходить через парк Перрот.

    Рейтинг придатності призначався за шкалою 1-3, при цьому 1 = Найменш придатний та 3 = Найбільш придатний. Причини рейтингу обговорюються в таблиці Excel нижче (рис. 4). Рейтинг ризиків був присвоєний за шкалою 1-3, при цьому 1 = Найменший ризик та 3 = Найбільший ризик. Причини рейтингу обговорюються в таблиці Excel нижче (рис. 4).

    Малюнок 4: Таблиця показує, як класифікували фактори та давали їм ранги як для придатності, так і для моделей ризику.

    Модель придатності видобутку піску:

    • Геологія
    • Землекористування Земельний покрив
    • Відстань до залізничних терміналів
    • Схил
    • Підвищення рівня води (фути)

    Конкретні методи досягнення цілей у моделі придатності перелічені нижче:

    Завдання 4: Інструмент «Нахил» був використаний для обчислення нахилу на основі відсотка зростання. Растровий калькулятор використовувався для перетворення DEM, що був у футах, у метри, помноживши всі комірки на 0,3048. Значення нахилу усереднювали за допомогою Фокальної статистики, а потім перекладували за допомогою інструменту Перекласифікація на основі наступних параметрів:

    Завдання 6 і 7: Растровий калькулятор використовувався для складання всіх класів придатності. Це призвело до комбінованого рейтингу всіх факторів. Коефіцієнти множились на непридатний клас характеристик NLCD, щоб виключити землю, непридатну для видобутку.

    Завдання 14: Інструмент віконної зони був використаний для визначення того, які місця в окрузі видно з велосипедної стежки, яка проходить через парк Перрорт. Результати були ранжировані, додані до моделі придатності.

    • Вплив на потоки
    • Вплив на сільськогосподарські угіддя
    • Вплив на житлові райони (Шумовий сарай / Скид пилу)
    • Вплив на школи
    • Вплив на змінну на ваш вибір (райони дикої природи)

    Конкретні методи досягнення цілей у моделі ризику наведені нижче:

    Завдання 8: Я використовував потоки з рейтингом від 3 до 6, оскільки вони включали 23% усіх потоків, і їх основне позначення було Первинний потік над землею багаторічний, що означає, що це річка, яка тече більше двох років. Потоки, що посідали 2-6 місце, включали позначення потоків Первинний потік по суші з перервами, що означало, що річки існували лише частину часу. Таким чином, потоки, що мають рейтинг 2 або нижче, були виключені.

    Завдання 10: Клас характеристик зонування був обраний для розрахунку відстані від житлових районів. До переваг цього класу особливостей можна віднести те, що він мав типи землекористування, які допомогли б визначити, коли жили люди. Дані перепису було б важко визначити райони, де проживають люди. Недоліком використання класу характеристик зонування було те, що іноді було важко визначити, які класи є житловими. Наприклад, я використав найкращу освічену здогадку і вирішив, що об’єднаний клас можна вважати житловим.

    Завдання 12: Райони дикої природи були обрані фактором ризику, оскільки міни не повинні посягати на зони дикої природи.

    Python: Сценарії Python використовувались для зважування найважливішого фактора ризику, впливу на житлові райони, на 1,5 (рисунок 5). Результати були додані до моделі ризику, а потім використані для створення загальної моделі придатності / ризику (зваженої).

    Рисунок 5: Сценарій python використовував растровий калькулятор, щоб помножити найважливіший фактор ризику видобутку на вагу 1,5. Результат був доданий до інших факторів ризику, щоб створити нову зважену модель ризику для видобутку піску з видобутку піску в окрузі Тремпіо.

    Загальна придатність / модель ризику:

    Растровий калькулятор був використаний для поєднання моделей придатності шахт та ризиків замінування для загальної моделі придатності видобутку корисних копалин. Обидва растри були складені з інших растрів, класифікованих за шкалою 1-3. Растровий калькулятор використовувався для перетворення 1-3 значень моделі мінного ризику, щоб зробити значення негативними. Коли для об'єднання моделей використовувався растровий калькулятор. негативні цифри ризику будуть додані до позитивних цифр придатності. Це призвело до правильної моделі придатності / ризику видобутку. Той самий процес був використаний для створення зваженої моделі придатності / ризику видобутку на основі моделі зваженого ризику.

    Модель придатності:

    Малюнок 6: На карті показані відповідні геологічні формації (формації Йорданії та Воневока). Усі інші утворення непридатні для видобутку піску з видобутку піску.

    Рисунок 7: На карті показано придатні земельні покриви для гірничих робіт. Більш підходящі місця нерозвинені та мають мало рослинності. Не повинно бути непридатного земельного покриву, перерахованого на карті, де вказані райони, заселені людьми.
    Рисунок 8: Карта показує, які ділянки суші ближче до одного залізничного терміналу в досліджуваній зоні. Для вивезення піску шахтні піщані шахти повинні бути поруч із залізничними терміналами.
    Рисунок 9: Процентний ухил нанесено на карту, щоб знайти ділянки з найнижчим ухилом, що є найбільш бажаним для видобутку корисних копалин.

    Рисунок 10: Підвищення рівня води (футів) було нанесено на карту, щоб визначити, де рівень води знаходиться у шафі до поверхні (найбільш бажано).

    Рисунок 11: Усі фактори придатності були об’єднані для створення загальної моделі придатності для видобутку піску з видобутку піску. Вищі рейтинги більше підходять для видобутку корисних копалин.
    Модель ризику:

    Малюнок 12: Карта показує близькість місцеположень до потоків. Міни, розташовані ближче до потоків, мають більший вплив.

    Малюнок 13: Карта показує, де розташовані основні сільськогосподарські угіддя. Шахти на основних сільськогосподарських землях мали б великий вплив.

    Малюнок 14: Карта показує близькість до житлових районів. Шахтні шафи до житлових районів мали б найбільший вплив. Крім того, шахти не можуть бути розміщені в межах 640 м житлових районів, тому NoData було призначено для будь-яких районів, що перевищують 640 м.

    Малюнок 15: Карта показує близькість до шкіл. Шахти, розташовані ближче до шкіл, мають найбільший вплив. Крім того, шахти не можуть бути розміщені в межах 640 м шкіл, тому NoData було призначено для будь-яких районів, що перевищують 640 м.
    Малюнок 16: Карта показує близькість до районів дикої природи. Міни, розташовані найближче до цих ділянок, мали б найбільший вплив.

    Рисунок 17: Усі фактори ризику були об’єднані для створення загальної моделі ризику для видобутку підошви. Вищі рейтинги становлять більший ризик для видобутку корисних копалин.

    Малюнок 18: Найважливіший фактор ризику, вплив на житлові райони, зважили на 1,5 за допомогою PyScripter. Вищі рейтинги - це сфери, де міни мали б більший вплив.

    Viewshed: Велосипедна стежка:

    Малюнок 19: Карта показує видимість з велодоріжки, яка проходить через парк Перрот. Встановлення шахти на блакитних арах не дозволить мінам виїжджати з місця велодоріжки, тоді як видобуток корисних копалин у зелених або коричневих районах буде дуже помітним.
    Рисунок 20: Коефіцієнт Bike Viewshed був доданий до моделі придатності. Для видобутку корисніше вищі ранги (18 - найвищий),
    Загальна придатність / модель ризику:

    Малюнок 21: Модель придатності та модель ризику (помножена на -1) були додані, щоб створити загальну модель придатності / ризику для видобутку піску з видобутку піску в окрузі Тремплі. Вищі рейтинги (позитивні) - це місця, які більше підходять для видобутку корисних копалин.
    Малюнок 22: Ця модель придатності / ризику для видобутку піску з видобутку піску включала модель зваженого ризику у своє створення. Вищі рейтинги (позитивні) - це місця, які більше підходять для видобутку корисних копалин.

    Обговорення:

    Якщо дивитись на незважену модель придатності, найкращі місця для встановлення шахт з піщаним видобуванням будуть посередині досліджуваної ділянки, позначеної плямистими ділянками чирок (рис. 21). Ці райони розташовані далі від житлових районів та шкіл, розташованих у відповідних геологічних формаціях (Йорданія та Воневок), і розташовані в шафі до одного залізничного терміналу в досліджуваній зоні.

    Модель зваженої придатності показує, де місця ставок на встановлення шахт з пісочним видобуванням знаходяться в північно-західній частині досліджуваного району (рис. 22). Це, швидше за все, тому, що фактор ризику "вплив на житлові райони" зважили на 1,5. Це зрушило відповідні райони видобутку з середини досліджуваного району на північно-західний район.

    В цілому, я вважаю, що найкращим місцем для створення шахти з пісковим видобуванням у цій частині району вивчення округу Тремпіло буде північно-західна частина. Він знаходиться недалеко від залізничного терміналу, розташований на відповідних геологічних утвореннях та віддалений від житлових та шкільних районів.

    Висновок:

    Растровий аналіз є важливим інструментом для аналізу географічних питань. Ця вправа використовувала багато інструментів растрового аналізу для створення моделі придатності, моделі ризику та комбінованої моделі придатності / ризику для видобутку піску з видобутку піску в частині округу Тремпіо. Результати показують, що встановлення шахти в північно-західній частині досліджуваного району було б найкращим. Ці знання можуть бути використані посадовими особами землеустрою для прийняття обґрунтованих рішень щодо місця видобутку піску. Знання растрового аналізу буде дуже корисним для моєї кар’єри в геопросторовій робочій силі.

    Список літератури:

    Геологічне та природниче опитування у Вісконсіні (2015). Узагальнена карта висот водних таблиць округу Тремпіо, штат Вісконсін [файл покриття]. Отримано з: https://wgnhs.uwex.edu/pubs/000444/


    Шляхи анімації растрів в ArcGIS?

    Привіт, отже, я працюю над проектом, де я хотів відобразити дані про температуру поблизу прибережного острова, і вони з часом змінюються. У мене є кілька інтерпольованих растрових температур IDW, і я & # x27m намагаюся змінити його з часом, поки острів залишається статичним.

    Для цього я спробував створити Мозаїку з часовим полем, але це було абсолютним пеклом. ArcGis & # x27tutorials & # x27 didn & # x27t показують, як це призвело до того, що растрові шари з'являються окремо від мозаїки, і я навіть не зміг редагувати полів мого растру, щоб додати часовий потік.

    Далі я спробував групову анімацію та анімацію за часом з ключовими кадрами, і це - загальний лайно-фестиваль. Менеджер анімації викликає заплутану катастрофу, і він відмовляється змінювати растр ні в реальній анімації, ні в попередньому перегляді, навіть якщо ключові кадри говорять мені, що кожен растр зміниться в певний час.

    Я & # x27m втомлений і роздратований, чи є у когось стислі чіткі правила чи інший можливий спосіб анімації моїх растрів? Будь ласка, я & # x27m збираюся пробити діру у своєму ноутбуці.

    Я завжди просто експортував окремі карти jpeg з однаковим обсягом і використовував їх як анімаційні кадри. Ви можете імпортувати як шари в GIMP (існує безліч підручників із створення анімації GIF) або внести як фотографії у редакторі відео. Призупиніть кожне нерухоме зображення на 1-5 секунд. Непросто, якщо у вас є сотні, але керовані приблизно 50 картами.

    Я & # x27ve також використовував цей окремий jpeg як метод кадру. Мені ніколи не щастило з анімацією в ArcGIS. Я рекомендую безкоштовний редактор virtualdub для створення gif або avi. Просто назвіть свої jpegs послідовно.

    Мені подобається це рішення. Іноді розширені функції в ArcGIS просто виграли роботу через якусь проблему встановлення, наприклад, відсутність бібліотеки, неправильну версію розповсюджуваного C ++ чи якусь іншу подібну фігню. Якщо ви & # x27 не відповідаєте встановленому терміну, і щось у ArcGIS, здається, не працює належним чином, часто краще просто запустити рішення вручну. Збережіть усунення несправностей програмного забезпечення на потім.

    Якщо ви завантажите всі свої растри в стек на панелі шарів, експортування кожного з них у вигляді окремої растрової карти не буде тривати довго. Збережіть усі растри в одній папці з послідовними іменами файлів, і тоді ви можете використовувати quicktime pro, щоб об’єднати їх у фільм. Використовуйте команду & quotopen послідовність зображень & quot у меню файлу та встановіть частоту кадрів приблизно на 6 кадрів на секунду.

    Зробіть пошук в Google для & quotCore Mafia Quicktime Pro & quot, щоб знайти діючий програмний ключ для Quicktime Pro. (Це & # x27s по всьому Інтернету.) Потім просто завантажте звичайну програму швидкого доступу від Apple і натисніть Довідка, Оновити програмне забезпечення, щоб ввести ключ.


    Набори інструментів Spatial Analyst

    Функціональні категорії просторового аналітика визначені нижче.

    Умовні інструменти дозволяють керувати вихідними значеннями на основі умов, розміщених на вхідних значеннях. Умови, які можна застосувати, є двох типів, які є або запитами щодо атрибутів, або умовою, заснованою на позиції умовного оператора у списку.

    За допомогою інструментів Щільність ви можете розрахувати щільність вхідних характеристик в околицях навколо кожної вихідної растрової комірки.

    • Евклідова (прямолінійна) відстань
    • Зважена за вартістю відстань
    • Зважена за вартістю відстань, що допускає вертикальні та горизонтальні обмеження руху
    • Шляхи та коридори між джерелами з найменшими витратами на проїзд

    Інструменти вилучення дозволяють витягти з растру підмножину комірок або за атрибутами комірок, або за їх просторовим розташуванням. Ви також можете отримати значення комірок для певних місць як атрибут у класі точкових ознак або як таблицю.

    Засоби аналізу узагальнення використовуються або для очищення невеликих помилкових даних у растрі, або для узагальнення даних, щоб позбутися зайвих деталей для більш загального аналізу.

    Інструменти ґрунтових вод можуть бути використані для виконання елементарного моделювання адвекційно-дисперсійного складових у потоці підземних вод. Наступні теми містять довідкову інформацію щодо теоретичних аспектів інструментів, а також деякі приклади їх застосування.

    Інструменти ґрунтових вод можна застосовувати окремо або використовувати послідовно для моделювання та аналізу потоку підземних вод.

    Інструменти гідрології використовуються для моделювання потоку води по поверхні.

    Інструменти гідрології можна застосовувати окремо або використовувати послідовно для створення потокової мережі або окреслення водозборів.

    Інструменти поверхневої інтерполяції створюють суцільну (або передбачувану) поверхню на основі вибіркових значень точок.

    Неперервне представлення поверхні растрового набору даних представляє певний показник, такий як висота, концентрація або величина (наприклад, висота, кислотність або рівень шуму). Інструменти поверхневої інтерполяції роблять прогнози на основі вибіркових вимірювань для всіх розташувань у вихідному наборі растрових даних, незалежно від того, чи було проведено вимірювання в цьому місці.

    Локальними інструментами є ті, де значення в кожному розташуванні комірки на вихідному растрі є функцією значень з усіх входів у цьому місці.

    За допомогою локальних інструментів ви можете комбінувати вхідні растри, обчислювати статистику щодо них або оцінювати критерій для кожної комірки вихідного растру на основі значень кожної комірки з декількох вхідних растрів.

    Алгебра карт - це спосіб просторового аналізу шляхом створення виразів алгебраїчною мовою. За допомогою інструмента «Растровий калькулятор» ви можете легко створювати та запускати вирази алгебри карт, які виводять растровий набір даних.

    Загальні математичні інструменти застосовують математичну функцію до вхідних даних. Ці інструменти поділяються на кілька категорій. Арифметичні засоби виконують основні математичні операції, такі як додавання та множення. Існують інструменти, які виконують різні типи операцій піднесення ступенів, що включає експоненції та логарифми на додаток до основних операцій потужності. Інші інструменти використовуються або для перетворення знаків, або для перетворення між цілими типами та типами даних із плаваючою комою.

    Побітові математичні інструменти обчислюють за двійковим поданням вхідних значень.

    Засоби Logical Math оцінюють значення вхідних даних і визначають вихідні значення на основі логічної логіки. Інструменти згруповані в чотири основні категорії: логічний, комбінаторний, логічний та реляційний.

    Тригонометричні математичні інструменти виконують різні тригонометричні обчислення значень у вхідному растрі.

    Багатовимірний статистичний аналіз дозволяє дослідити взаємозв'язки між багатьма різними типами атрибутів. Доступні два типи багатовимірного аналізу: класифікація (як контрольована, так і неконтрольована) та аналіз основних компонентів (PCA).

    Інструменти сусідства створюють вихідні значення для кожного розташування комірки на основі значення розташування та значень, визначених у визначеному районі. Сусідство може бути двох типів: переміщення або радіус пошуку.

    Інструменти аналізу накладання дозволяють застосовувати ваги до кількох входів і об'єднувати їх в один вихід. Найпоширенішим застосуванням інструментів Overlay є моделювання придатності.

    Інструменти створення растру генерують нові растри, в яких вихідні значення базуються на постійному або статистичному розподілі.

    Інструменти Reclass надають різноманітні методи, які дозволяють перекласифікувати або змінити значення вхідних комірок на альтернативні значення.

    Засоби аналізу сонячної радіації дозволяють картографувати та аналізувати вплив сонця на географічну область протягом певних періодів часу.

    За допомогою інструментів сегментації та класифікації ви можете підготувати сегментовані растри для використання у створенні класифікованих наборів растрових даних.

    За допомогою інструментів Surface ви можете кількісно визначити та візуалізувати рельєф місцевості, представлений цифровою моделлю висоти.

    Інструменти "Зона" дозволяють виконувати аналіз, де результат є результатом обчислень, виконаних на всіх комірках, що належать до кожної вхідної зони. Зону можна визначити як одну окрему область певного значення, але вона також може складатися з безлічі від’єднаних елементів або областей, всі з однаковим значенням. Зони можуть бути визначені растровими наборами даних або наборами даних. Растри повинні мати цілочисельний тип, а об’єкти повинні мати цілочисельне або рядкове поле атрибута.


    Синтаксис

    Вхідні набори даних, які будуть об’єднані разом у новий вихідний набір даних. Вхідними наборами даних можуть бути класи або таблиці точок, рядків або багатокутників. Всі набори вхідних даних повинні бути одного типу.

    Вихідний набір даних, який буде містити всі комбіновані набори вхідних даних.

    Керує способом відображення полів атрибутів із вхідних наборів даних та їх передачі у вихідний набір даних.

    Ви можете додавати, перейменовувати або видаляти поля виводу, а також встановлювати такі властивості, як тип даних та правило злиття.

    • Перший - використовуйте перше значення полів введення.
    • Останнє - використовуйте останнє значення полів введення.
    • Приєднатися - об'єднати (об'єднати) значення полів введення.
    • Сума - Обчисліть загальну кількість значень введених полів.
    • Середнє - обчисліть середнє (середнє) значень введених полів.
    • Медіана - обчислити медіану (середину) значень полів введення.
    • Режим - використовуйте значення з найвищою частотою.
    • Мінімум - використовуйте мінімальне значення значень усіх полів введення.
    • Макс. - Використовуйте максимальне значення значень усіх полів введення.
    • Стандартне відхилення - Використовуйте метод класифікації стандартного відхилення для значень усіх полів введення.
    • Підрахувати — Знайдіть кількість записів, включених до розрахунку.

    Ви можете використовувати клас ArcPy FieldMappings для визначення цього параметра.


    Проекція растру в R

    В епізоді Plot Raster Data in R ми дізналися, як накласти растровий файл на гірський відтінок для красивої базової карти. У цьому епізоді всі наші дані були в одній CRS. Що трапляється, коли все не вибудовується?

    У цьому епізоді ми будемо працювати з даними Гарвардської лісової цифрової моделі рельєфу. Це відрізняється від даних моделі поверхні, з якими ми працювали до цього часу, тим, що цифрова модель поверхні (DSM) включає верхівки дерев, тоді як цифрова модель місцевості (DTM) показує рівень землі.

    У наступному епізоді ми розглянемо іншу модель (модель висоти навісу) і побачимо, як обчислити CHM із DSM та DTM. Тут ми створимо карту Цифрової моделі рельєфу Гарвардського лісу (DTM_HARV), драпіровану або нашарувану на верхній частині гірського відтінку (DTM_hill_HARV). Пласт гірського покриву відображає місцевість за допомогою світла і тіні, щоб створити тривимірне зображення на основі гіпотетичного освітлення рівня землі.

    По-перше, нам потрібно імпортувати дані DTM і DTM гірського покриву.

    Далі ми перетворимо кожен із цих наборів даних у фрейм даних для побудови графіку за допомогою ggplot.

    Тепер ми можемо створити карту DTM, нашарувану над гіркою.

    Наші результати цікаві - ні цифрова модель місцевості (DTM_HARV_df), ні DTM Hillshade (DTM_hill_HARV_df) не побудовані. Спробуємо побудувати DTM самостійно, щоб переконатися, що там є дані.

    Наш DTM, здається, містить дані та графіки просто чудово.

    Далі ми плануємо DTM Hillshade самостійно, щоб перевірити, чи все в порядку.

    Якщо ми подивимось на осі, то побачимо, що проекції двох растрів різні. У цьому випадку ggplot не відображатиме зображення. Навіть не з’явиться повідомлення про помилку про те, що щось пішло не так. Ми можемо подивитися на системи координат координат (CRS) DTM та дані гірського покриву, щоб побачити, чим вони відрізняються.


    Використання ГІС-картографування для подолання відмінностей у допомозі бездомним

    За останні 20 років моя кар’єра багато разів давала мені можливість поєднувати як свої професійні, так і особисті пристрасті. У професійному плані я захоплююся політикою та аналізом даних. Особисто я сильно люблю технології. Я & rsquom a & ldquotechie & rdquo в душі. Під час роботи в Управлінні бездомних у місті Філадельфія та rsquos у мене була можливість поєднати ці пристрасті, використовуючи Географічні інформаційні системи (ГІС) як інструмент картографування даних, щоб допомогти нам краще зрозуміти бездомність у Філадельфії та розробити політику щодо програми, оперативні вказівки щодо безперервної допомоги та пріоритети фінансування.

    ГІС - це потужний програмний інструмент, який використовує дані, щоб допомогти громадам скласти карти та тенденції для розуміння взаємозв’язків. Наприклад, ГІС можна використовувати, щоб допомогти громадам краще зрозуміти расові диспропорції, які існують серед тих, хто постраждав від бездомності. Після розуміння громади можуть розробляти політику та оперативні вказівки, які гарантують, що їхня система реагування на безпритульність є уважною та реагує на ці розбіжності.

    Національні дані чітко показують, що афроамериканці та корінні американці непропорційно страждають від бездомності. Хоча афроамериканці складають лише 12% населення США, вони складають, за оцінками, 41% усіх захищених людей, які страждають від бездомності. І хоча ми ще не маємо хороших даних про безпритульність на землях племен, дані, які ми маємо, вказують на те, що корінні американці становлять 1,2% загальної чисельності населення, але, за оцінками, 2,3% людей, котрі відчувають притулок від бездомності на племінних землях.

    Є багато системних проблем, які призводять до цієї несправедливості, що вимагає рішень, які не піддаються контролю лише системі обслуговування бездомних. Однак Continuum of Care може використовувати ГІС для аналізу місцевих демографічних закономірностей безпритульності та тенденцій продуктивності системи, щоб побачити, чи погіршує їх система ще більше цей непропорційний вплив, інформувати місцеві бесіди про існуючі диспропорції та співпрацювати з іншими для вирішення більші, системні сили, які допомагають створити ці диспропорції. Оскільки континууми допомоги прагнуть усунути расові відмінності, що існують в умовах безпритульності, ГІС-технологія спільно з ІСВЗ та іншими джерелами даних може бути використана для:

    • Складіть карту гонки та поштовий індекс останньої постійної адреси, щоб зрозуміти, чи входять люди в систему реагування на кризи непропорційно з певних районів. Потім континууми допомоги разом із іншими місцевими партнерами можуть прагнути зрозуміти макрофактори, що спричиняють цю диспропорційність.
    • Складіть карту гонки, місця призначення та типу постійного розміщення житла (наприклад, PSH, RRH) протягом певного періоду часу, щоб побачити, де розміщуються клієнти в межах громади, щоб зрозуміти коефіцієнт розміщення за расою та чи зосереджені люди кольорового кольору. в певних кварталах.
    • Накладіть місце постійного житла поверх даних про якість житла, щоб побачити, чи непропорційно розміщують людей з кольоровим кольором у постійних будинках менш якісної якості.

    Це лише кілька прикладів потужності та сили використання таких технологій, як ГІС, для прийняття рішень на місцевому рівні. І це має і інші переваги. ГІС - це чудовий спосіб розвивати та / або зміцнювати партнерські відносини, оскільки для цього потрібні дані з кількох джерел, такі як дані ІСВЗ, дані про якість житла та дані про оренду житла в околицях, які необхідно отримувати від міських департаментів, університетів та місцевого житла / квартирні асоціації. І картографування та аналіз цих даних на постійній основі може створити міцні партнерські стосунки, тим самим посилюючи загальний потенціал місцевої системи реагування на безпритульність.

    Вам не потрібно & rsquot бути визнаним & ldquotechie & rdquo, щоб визнати переваги, які технологія може принести для соціальних рішень. Нам слід застосовувати його частіше для інформування місцевих зусиль щодо подолання та усунення диспропорцій.


    Створіть лінії з двох точок

    Отже, у мене є цей шейп-файл з великою кількістю точкових даних, і мені потрібно створити інший шейп-файл з лініями, що з'єднують кожну з цих точок з однією конкретною точкою. чи є спосіб створити цей новий шейп-файл рядка, не роблячи його вручну?

    Створіть два плаваючі поля в таблиці атрибутів для координат x та y поточної точки. Використовуйте польовий калькулятор на кожному полі за допомогою! Shape.centroid.x! і! shape.centroid.y! відповідно заселити їх.

    Тепер створіть ще два плаваючі поля для конкретних точок призначення x та y. Ви можете знову заповнити їх у польовому калькуляторі, цього разу просто введіть значення x або y у поле.

    Тепер у вас повинен бути шейп-файл із 4 новими стовпцями, що містять координати кожної точки та точки призначення для всіх.

    Використовуйте & quotxy, щоб розставити & quot у панелі інструментів керування даними- & gt функції. Виберіть нові поля для відповідних вікон для початку та кінця x та y. Також заповніть інші поля правильною інформацією та запустіть інструмент.


    Картування на R стало набагато простішим

    Хотіли б ви зробити кольорову карту чороплету в R? Донедавна робота з геопросторовими об'єктами була дещо складнішою, ніж з багатьма іншими типами даних. Це тому, що об'єкти R "Просторові багатокутники даних" були структуровані приблизно так, якщо ви запустили команду R str (), щоб побачити їх структуру:

    Знімок екрана структури об'єкта R

    Структура кадру даних просторових багатокутників у R, без простих особливостей

    Непросторові дані - такі речі, як рівень безробіття, які ви, можливо, захочете відобразити за округами - розміщувались у спеціальних слотах @data, які були незнайомі багатьом користувачам R. Слотів не було що з ними важко мати справу, але вони були ще однією справою, якій слід навчитися.

    Однак завдяки проекту «Прості функції для R» можна представити геопросторові дані у тому, що дуже схоже на звичайний фрейм даних.

    Ось як виглядають ті самі дані як простий об’єкт об’єктів:

    Знімок екрана структури об'єкта R

    Більш зрозуміла для людини структура простого об'єкта R-об'єкта.

    Дані зараз знаходяться у "звичайному" R-кадрі даних, геопросторові дані вкладаються в спеціальний стовпець списку, що містить географії. Це полегшує об'єднання наборів даних, таких як зайнятість або середня заробітна плата, із шейп-файлом, що містить географії.

    Я покажу вам один із способів зробити це за допомогою R простих функцій, створивши карту середньої заробітної плати для ІТ-менеджерів за державою. Як це підходить для майже будь-якого реального аналізу та візуалізації, більша частина проекту передбачає отримання та очищення даних. Як тільки дані будуть у правильному форматі, саме відображення буде легким. Якщо ви хочете перейти до розділу відображення, перейдіть прямо до кроку 4.

    Однак спочатку переконайтеся, що встановили та завантажили два пакети зіставлення з:

    1. Завантажте географічний файл штатів США та імпортуйте його в R. (Є кілька популярних геопросторових форматів файлів на вибір. Для цього підручника я використаю файли форм.)

    Найпростіший спосіб зробити це - тигровий пакет Кайла Е. Уокера.

    Для цього проекту вам знадобиться розвитку версія тигра від GitHub, а не старіша версія, доступна в CRAN, оскільки версія CRAN ще не підтримує простих функцій. Якщо у вашій системі вже є пакет devtools R, ви можете встановити новіший тигр за допомогою devtools :: install_github ('walkerke / tigris'). Якщо у вас немає devtools, ви можете спочатку встановити devtools або легший інсталяційний пакет GitHub, який називається віддаленими. I suggest opting for remotes you can install that on your system with install.packages("remotes") . Next, install tigris with remotes::install_github('walkerke/tigris') and load it with library("tigris") .

    To import a shapefile of U.S. states into R with tigris as a simple features object, just run the command:

    Note that states() without class = "sf" will return a Spatial Polygons Data Frame and not a simple features object.

    There's more information about the tigris package's capabilities at the tigris GitHub website.

    If you have problems with this, as I occasionally had due to issues with the Census Bureau's API this week, you can download a shape file manually from the bureau's TIGER Cartographic Boundary Shapefiles site here: https://www.census.gov/geo/maps-data/data/cbf/cbf_state.html. Choose the cb_2015_us_state_20m.zip file, download and unzip it.

    Or, download and unzip the file within R using the code:

    (Assuming the file downloaded into your working directory. If not, make sure to include the full path to your zip file ).

    Then read the geographic information into an R object called us_geo with

    2. Import the data you want to map. I went to the U.S. Bureau of Labor Statistics Occupational Employment Statistics query page, chose "One occupation for multiple geographical areas," and then picked "Computer and Information Systems Managers" by geographic type State, "All states in this list," "Annual median wage" as the data type, and Excel as the output.

    If you open the file, you'll see there are 3 rows of meta data at the top (R will count merged rows 2, 3 and 4 as a single row) and 4 rows at the bottom. I moved the footnotes to a separate tab and skipped the first 3 rows when importing (there's no easy way to skip rows at the end).

    I like the rio package for reading in data. If you don't have it, you can install it with install.packages("rio") .

    The spreadsheet's column names are somewhat R-unfriendly -- both have spaces in them -- so I'll change them with

    More importantly, the wage column imports as character strings, not numbers, I'm guessing because of extra spaces in the data. I trimmed white space and then converted Median.Wages into numbers with

    Unfortunately, state names in this data look like "Alabama(0100000)" instead of "Alabama."

    There are several ways of getting rid of the (01000000) and similar text in the state names. The most robust way is with a regular expression -- delete anything that's not an alpha character. This code does so:

    But if you're not yet ready for regular expressions in R, you could simply count the number of characters in the (#######) portion of each state name -- there are 9 -- and remove that number of characters at the end of each state name. The format for subsetting a string is substr(thestring, startIndex, stopIndex) . Here, we want just the part of the string that starts with the first character and ends with the last character - 9:

    Now, data in the wages State column in wages matches state names in the us_geo NAME column.

    Finally, get rid of any rows where Median.Wages are unavailable:

    Or, if you use the dplyr package (my preference):

    3. Merge (join) the geospatial and data files. This is easy with the tmaptools package's append_data() function:

    4. Finally, Create your map. This part is incredibly easy with tmap's qtm() (quick theme map) function:

    Or with the more robust tmap() function:

    The id = "NAME" portion isn't actually necessary for this map, but it's useful for the next step.

    For this map, it's a little tough to see the contiguous 48 states because the map is zoomed out to include all of Alaska and Hawaii.

    Screen shot of map in R created with tmap package

    Static map with all 50 states is a bit difficult to view.

    There are a couple of ways to deal with this. For static maps, you can temporarily zoom in by removing Alaska, Hawaii and Puerto Rico (which is what happens if you zoom in to the contiguous 48), with:

    and then mapping the contig_48:

    Screen shot of static thematic map created in R

    Static map of median U.S. wages for computer and IS managers created with the R tmap package.

    But the best option for data exploration and Web publication:

    5. Create an interactive map with two simple lines of code.

    Plot the original version of 50 states plus Puerto Rico again:

    To make this interactive, you just need to switch tmap's mode from "plot," which is static, to "view", which is interactive, using the tmap_mode() function:

    Then, to re-draw the last map, run last_map() . That's it! You should have a zoomable interactive map, where clicking on a state gives data details.

    The leaflet R mapping package has many more ways to customize an interactive map than tmap's interactive mode offers. In addition, the leaflet package lets you save interactive maps as stand-alone HTML files. The good news: It's easy to turn a tmap interactive map into a leaflet map object, and then run any additional leaflet functions on it. Save the tmap map to a variable

    and then turn it into a leaflet object with the tmap_leaflet() function

    With the htmlwidgets package, save the map with saveWidget(my_interactive_map, "mymap.html") . You can see a version of the map below, which I centered and zoomed using leaflet's setView() function after loading the leaflet package:

    Interactive map created with tmap and leaflet R packages.

    For more on tmap, check out the tmap in a nutshell vignette. For leaflet capabilities, see the leaflet package website.

    Sharon Machlis is Executive Editor, Data & Analytics at IDG, where she works on data analysis and in-house editor tools in addition to writing and editing. Her book Practical R for Mass Communication and Journalism was published in December 2018.


    Time Zones

    This is also a good time to take a look at time zones навколо світу. If you refer back to the map above, you can see the different time zones in the various colors. Since the earth rotates 360 degrees in a 24 hour period, the earth rotates 15 degrees every hour creating 24 time zones. In an ideal world, each time zone would follow lines of longitude every 15 degrees (7.5 degrees in each direction from the center of the time zone). But because of political boundaries, time zones are not divided up so perfectly and vary greatly in shape and width. Greenwich, England was chosen in the mid-nineteenth century as the starting point of time worldwide. The reason was because at the time, England was the superpower of the time both militarily and economically. So the meridian that ran through Greenwich became zero degrees or the prime meridian. Because of the earth’s rotation in reference to the prime meridian, locations east of the new meridian meant time was ahead while locations west of the meridian were behind in time in reference to Greenwich, England. Ultimately, when you combine parallel and meridian lines, you end up with a geographic grid system that allows you to determine your exact location on the planet.


    Перегляньте відео: Лучший способ стыковки плитки с ламинатом. как стыковать ламинат с плиткой (Жовтень 2021).