Suite

Comment exécuter GAM avec un package raster ?


Lorsque j'utilise le package raster pour prédire une carte de probabilité de surface de la distribution des espèces à l'aide des fonctions suivantes dans R, l'erreur suivante se produit :

CA132122200=raster("F:/CBG maps-UnProj/anlytic final map/mov472/landmergbackg1.tif_mw2/ca_132.tif") mod=gam(y~s(CA132122200) ,data=training, family=binomial, gamma=1,4 , logLink="logit") prédiction <- predict(object = CA132122200, model = mod, type="response", progress="text") erreurs : l'objet n'est pas une matrice : En plus : Messages d'avertissement : 1 : En prédiction .gam(model, blockvals,… ) : toutes les variables requises n'ont pas été fournies dans newdata ! 2: 'newdata' avait 2032869 lignes mais les variables trouvées ont 2315 lignes"

Comment utiliser le package raster en python avec rpy2

Travailler avec R en Python à l'aide de rpy2 sur Windows 7. Je dois ouvrir des rasters en tant que RasterLayer à l'aide de la fonction raster() du package raster. J'arrive à installer le package, mais pas à utiliser sa fonction.

J'installe les packages dont j'ai besoin (rgdal, sp, raster, lidR, io) en utilisant

names_to_install est une liste des packages qui ne sont toujours pas installés. Cela fonctionne bien.

Je sais essayer les fonctions "de base", comme la somme, et ça marche :

Mais la même chose ne semble pas fonctionner avec la fonction raster du package raster :

J'ai aussi essayé ce qui suit :

avec l'intention de pouvoir lancer le suivant et charger mon fichier raster :

mais la première ligne (import('raster')) provoque le plantage de python et j'obtiens l'erreur :

Cela ne se produit pas avec d'autres packages chargés comme rgdal, mais avec le package raster et avec le package lidR, j'obtiens l'erreur.

J'ai recherché cette erreur, cela semble être une violation d'accès, mais je ne sais pas ce que je peux faire à ce sujet et pourquoi cela ne se produit qu'avec certains packages.

Je m'attends à pouvoir appeler la fonction raster à partir du package raster.

Je l'ai essayé sur un ordinateur avec Windows 10 et l'erreur ne s'affiche plus lors de l'exécution

Ce serait quand même bien de savoir quel est le problème avec Windows 7 et s'il existe une solution.


Comment exécuter GAM avec un package raster ? - Systèmes d'information géographique

Ce package implémente divers tests, visualisations et métriques à utiliser avec des modèles de niche environnementale (ENM) et des modèles de distribution d'espèces (SDM).

Warren, D.L., Matzke, N.J., Cardillo, M., Baumgartner, J.B., Beaumont, L.J., Turelli, M., Glor, R.E., Huron, N.A., Simões, M., Iglesias, T.L. et Piquet, J.C., 2021. ENMTools 1.0 : un package R pour la biogéographie écologique comparative. Écographie, 44(4), pp.504-511.

ENMTools est disponible sur CRAN, et peut être installé en tapant simplement :

Vous pouvez également installer la version la plus récente à partir de https://github.com/danlwarren/ENMTools. Il existe plusieurs façons de le télécharger. Le plus simple est d'utiliser devtools et de l'installer depuis GitHub.

Installation à partir de GitHub à l'aide de devtools

Exécutez le code suivant depuis votre console R :

Si vous voulez la version la plus récente, vous voudrez l'installer à partir de la branche « developper », mais sachez que parfois les choses se cassent là-bas et cela peut nous prendre un peu de temps pour le remarquer.

Une version zippée du package est disponible sur https://github.com/danlwarren/ENMTools/archive/master.zip. Pour installer à partir du fichier zip, téléchargez une copie de celui-ci sur votre système. Une fois le téléchargement terminé, tapez ce qui suit (où PATH est le chemin d'accès au fichier zip) :

ENMTools utilise les fonctionnalités d'un PARCELLE d'autres packages R, et il est possible que vous ne souhaitiez pas tous les installer. Pour cette raison, de nombreux packages ne sont pas automatiquement installés avec ENMTools, mais plutôt « suggérés ». Si vous souhaitez installer tous les packages suggérés, nous avons une fonction pour cela. Vous ne devriez avoir besoin de l'utiliser qu'après la première installation d'ENMTools ou la mise à jour de R. Si vous choisissez de ne pas installer les packages supplémentaires, vous recevrez des avertissements lorsque vous essayez d'utiliser des fonctions qui les nécessitent.

Interagir avec ENMTools

Création d'objets enmtools.species

Nous allons charger des données environnementales. Vous pouvez le faire à partir de rasters locaux, comme ceci :

Ou vous pouvez les charger depuis Internet en utilisant la fonction getData() du package raster.

Peu importe d'où vous obtenez vos données environnementales, c'est une bonne idée d'appeler la fonction check.env() dessus. Cela garantit qu'une NA dans une couche environnementale se propage aux autres couches, ce qui peut éviter des problèmes avec certaines des fonctions de modélisation.

ENMTools est principalement conçu pour examiner les modèles de similitude et de différence entre les ENM pour différentes espèces. Afin de simplifier les interactions avec les fonctions d'ENMTools, vous devez mettre vos données pour chacune de vos espèces dans un objet enmtools.species. Vous pouvez créer et afficher un objet enmtools.species vide en tapant simplement :

Vous pouvez en ajouter des morceaux lors de la création de l'objet :

Ou vous pouvez ajouter des données à cet objet après sa création :

C'est toujours une très bonne idée d'exécuter la fonction check.species() sur un objet enmtools.species après l'avoir construit ou modifié.

Et maintenant, nous pouvons jeter un œil à notre espèce !

Cependant, ENMTools contient également des exemples de données. Il contient un objet enmtools.clade appelé « iberolacerta.clade », qui contient plusieurs objets enmtools.species, dont une version déjà construite d'Iberolacerta monticola. Il contient également des données Worldclim basse résolution que nous pouvons utiliser pour démontrer les fonctions. Nous allons retirer deux de ces espèces maintenant.

ENMTools contient des fonctions pour simplifier le processus de construction ENM. En utilisant les objets enmtools.species et les commandes de modélisation correctes, nous pouvons construire des modèles très rapidement. Ces commandes sont principalement des enveloppes pour les fonctions de construction et de projection de modèles de dismo, et ne sont actuellement disponibles que pour les modèles GLM, Maxent, Domain et Bioclim. L'un des avantages de cette configuration est qu'elle permet à enmtools de générer automatiquement des cartes d'adéquation, d'évaluer le modèle et de tracer séparément l'adéquation marginale de l'habitat pour chaque variable.

Avant de commencer la modélisation, cependant, nous pourrions vouloir rogner notre ensemble de prédicteurs afin de réduire la colinéarité. ENMTools contient quelques fonctions pratiques pour cela.

C'est bien, mais c'est un peu difficile de choisir des variables de cette façon. Essayons plutôt visuellement.

La fonction raster.cor.plot nous donne deux visualisations. Une carte thermique qui colore les paires de prédicteurs en fonction de leur coefficient de corrélation de Pearson et un graphique en grappes qui effectue une mise à l'échelle mds des variables prédictives, puis les trace dans un espace à deux dimensions afin que les prédicteurs plus corrélés soient plus proches les uns des autres. Nous allons prendre la décision arbitraire de n'utiliser que trois prédicteurs, et pour garder ces prédicteurs relativement non corrélés, nous sélectionnerons des prédicteurs très éloignés les uns des autres dans ce tracé mds. Ici, nous choisirons bio1, bio12 et bio7.

Les GLM exigent généralement que l'utilisateur fournisse une formule, un objet enmtools.species et certaines données environnementales. Si votre formule est une fonction strictement additive de toutes les couches environnementales dans env, enmtools.glm construira automatiquement une formule.

Notez que cela produit la même formule que :

Si vous voulez une formule plus compliquée, cependant (par exemple, avec des interactions ou des effets polynomiaux), vous devrez la fournir manuellement.

Pour vérifier les fonctions de réponse marginale, il vous suffit de taper

Ces graphiques présentent une estimation lissée de la fréquence des différents niveaux de la variable environnementale dans les données de présence et les points de fond, ainsi que la relation estimée entre ce prédicteur environnemental et l'adéquation de l'habitat à partir du modèle.

Vous pouvez également visualiser vos modèles et vos données dans un espace d'environnement 2D en utilisant n'importe quelle paire de couches de votre pile d'environnement. Ces tracés maintiennent toutes les variables non tracées (bio7 dans ce cas) constantes à leur valeur moyenne sur tous les points de présence, puis font varier les variables tracées entre les valeurs minimale et maximale dans env.

Le suit.plot vous montre l'adéquation dans l'espace de l'environnement en fonction de vos deux variables, avec des couleurs plus vives représentant des combinaisons de variables qui devraient être plus adaptées. Les points représentent les points d'occurrence de votre espèce dans cet espace environnemental.

Le raster coloré du background.plot vous montre la densité des points d'arrière-plan dans l'espace d'environnement, tandis que les points blancs représentent à nouveau vos points d'occurrence dans l'espace d'environnement.

GAM, Bioclim, Domaine et Maxent

La procédure de création de modèles Bioclim, Domain et Maxent est similaire à la procédure pour les GLM, à l'exception du fait que vous n'avez pas besoin de transmettre de formule à la fonction de modèle pour les modèles Maxent, Domain et Bioclim. Notez que l'exécution des modèles Maxent nécessite un peu de configuration supplémentaire, voir la documentation de dismo pour plus de détails.

Métriques : étendue, corrélation et chevauchement

ENMTools fournit un certain nombre de métriques pour les ENM et pour les similitudes entre les ENM. Il s'agit notamment de mesures de l'étendue des niches, basées sur Levins (1968). Une mise en garde importante lors de l'interprétation de ces mesures est qu'elles sont déterminées dans une certaine mesure (variable) par la disponibilité de différentes combinaisons de prédicteurs environnementaux. En tant que tels, ils sont interprétés plus précisément comme une mesure de la régularité de la distribution géographique des scores d'adéquation que comme une estimation de l'étendue de la niche fondamentale, un organisme avec une largeur de niche fondamentale étroite qui englobe néanmoins un ensemble de conditions environnementales assez courantes. aura une largeur élevée lorsqu'elle est mesurée à l'aide d'ENM, tout en ayant une faible largeur dans l'espace de l'environnement.

ENMTools fournit également des métriques pour mesurer la similarité entre les ENM. Ceux-ci incluent le D de Schoener (Schoener 1968), I (Warren et al. 2008) et le coefficient de corrélation de rang de Spearman entre deux rasters. Bien que D et I soient couramment utilisés dans la littérature ENM, ils peuvent avoir tendance à surestimer la similitude entre les ENM lorsque de nombreuses cellules de la grille ont des valeurs similaires (par exemple, lorsque deux espèces préfèrent un habitat différent mais que la région contient une grande partie de l'habitat qui ne convient pas à tous les deux).

Une nouvelle fonctionnalité de la version R d'ENMTools est que vous pouvez désormais utiliser ces mêmes métriques dans l'espace à n dimensions de toutes les combinaisons de variables environnementales, au lieu de restreindre vos mesures de similarité de modèle à ces ensembles de conditions qui apparaissent dans la région d'apprentissage . Cela se fait en tirant à plusieurs reprises des échantillons d'hypercubes latins de l'espace de toutes les combinaisons possibles de variables environnementales étant donné le min et le max de chaque variable dans la région d'apprentissage. ENMTools continue de prélever des échantillons jusqu'à ce que les itérations suivantes diffèrent de moins d'une valeur de tolérance spécifiée. Des valeurs de tolérance inférieures donnent des estimations plus précises du chevauchement, mais le calcul peut prendre beaucoup plus de temps.

Les tracés qui sortent de ces fonctions spatiales d'environnement sont utilisés pour diagnostiquer la convergence de la métrique de chevauchement/largeur. Idéalement, ce que vous voulez, c'est une relation entre la métrique et le nombre d'échantillons qui ne montre aucune tendance directionnelle claire.

Test d'identité ou d'équivalence de niche

Dans cet exemple, nous allons exécuter un test d'identité de niche (également appelé équivalence), comme dans Warren et al. 2008. Ce test prend les points de présence pour une paire d'espèces et les réaffecte au hasard à chaque espèce, puis construit des ENM pour ces occurrences aléatoires. En faisant cela plusieurs fois, nous pouvons estimer la distribution de probabilité de chevauchement ENM entre les espèces sous l'hypothèse nulle que les occurrences des deux espèces dans l'environnement sont effectivement un tirage aléatoire de la même distribution sous-jacente. Notez que l'évolution de niche n'est qu'une des nombreuses raisons pour lesquelles les distributions environnementales réalisées de deux espèces pourraient entraîner des écarts par rapport à cette hypothèse nulle. Voir Warren et al. 2014 pour plus de détails.

Pour exécuter un test d'identité, nous devons décider du type de modèles que nous allons construire, du nombre de répétitions que nous allons exécuter et (dans le cas de GLM et GAM) d'une formule de modèle à utiliser pour les modèles empiriques et les répliques de Monte Carlo. L'objet résultant contient les modèles répliqués, les valeurs p et les tracés des résultats. En règle générale, les tests d'identité sont exécutés avec au moins 99 réplicats, mais nous utilisons ici un nombre plus petit pour des raisons de temps d'exécution.

REMARQUE: Afin que les modèles soient comparables, les modèles empiriques et pseudo-répliqués pour le test d'identité sont menés avec des points de pseudo-absence regroupés pour les deux espèces comparées.

Test d'antécédents ou de similitude

Le test de fond ou de similarité compare le chevauchement observé entre les ENM de deux espèces au chevauchement attendu par hasard si une ou les deux espèces choisissaient effectivement un habitat au hasard dans leur vaste aire de répartition géographique. Le but de ce test est de corriger la disponibilité de l'habitat et de demander si la similitude observée entre les espèces ou les populations est significativement plus (ou moins) que prévu compte tenu de l'ensemble disponible d'environnements dans les régions où elles se produisent.

REMARQUE: Afin que les modèles soient comparables, les modèles empiriques et pseudo-répliqués pour le test de fond sont conduits avec des points de pseudo-absence regroupés pour les deux espèces comparées.

Dans Warren et al. 2008, nous avons développé ce test dans le contexte de la comparaison de l'occurrence réelle d'une espèce aux occurrences aléatoires de fond des autres espèces. C'est ce que nous appelons un test « asymétrique », et dans notre cas, nous avons fait le test dans les deux sens avec l'idée que nous pourrions comparer les résultats de l'arrière-plan A contre B aux résultats de l'arrière-plan B contre A. Cela peut être informatif dans certains cas, mais de nombreuses personnes ont également trouvé cette asymétrie déroutante (et en effet, elle est souvent difficile à interpréter). Pour cette raison, le test de fond ici peut être effectué contre une hypothèse nulle qui est générée à partir de comparaisons « asymétriques » (fond de l'espèce.1 contre fond de l'espèce.2) ou « symétrique » (fond de l'espèce.1 contre fond de l'espèce.2).

Voici, par exemple, un test de fond Bioclim utilisant l'approche asymétrique classique :


Comment exécuter GAM avec un package raster ? - Systèmes d'information géographique

Module de réseau raster pour SIG quantique

Un module Python pour manipuler des données d'images raster géographiques dans QGIS à l'aide de tableaux numpy. Comprend une démonstration du jeu de la vie de Conway.

Dépendances : QGIS 2.6.1 Brighton, Python 2.7

Configuration de la console Python QGIS

Accédez à la console de commande python dans QGIS
(Plugins et console Python)

Entrez dans la console :
importer le système

Trouver le chemin de l'emplacement de ce script
C:UtilisateurBureau

Ajoutez-le aux chemins du système QGIS avec :
sys.path.append(FILE_PATH_HERE)
sys.path.append ("C:UserDesktop")

Importez la classe Cells à utiliser dans la console :
à partir de l'importation RasterArray *

A. Création de l'objet Cells

Créez un objet Cells en tant que tableau aléatoire :

Créez un objet Cells en tant que tableau rempli :

Créez un objet Cells en tant que tableau personnalisé :

  • r1c1..rncn fait référence à la ligne 1 (r1) et la colonne 1 (c1) à la ligne n (rn) et à la colonne n (cn)
  • Les conteneurs [] définissent une liste et () définissent un tuple

Créez un objet Cells avec un fichier raster :

cellsObject = Cells ("path_to_raster_file")

B. Modification et obtention des valeurs des cellules

cellsObject.modify(x, y, valeur)

  • x et y sont les coordonnées de la cellule à modifier
  • value est la valeur pour remplacer la valeur de la cellule à l'emplacement
  • pour les coordonnées non géographiques, utilisez (x, y, valeur, géographique=False)
  • x et y sont les coordonnées de la cellule à obtenir
  • pour les coordonnées non géographiques, utilisez (x, y, valeur, géographique=False)

Générez un raster représentant les modifications :

Définir la bande du raster

cellsObject = Cellules (nband=n)

Définir le système de référence spatiale du raster généré aléatoirement

cellsObject = Cellules (EPSG=coorSys)

Définition des dimensions et des mesures des cellules du raster généré aléatoirement


Mis à jour 2017-02-24:

Je pense que la meilleure solution est d'utiliser R avec RStudio. ( Le bloc-notes Python et iPython est une alternative ):

  • Importation de données
    • Excel : paquet readxl
    • Oracle : package ora ou RODBC
    • Copier-coller : fonctionnalité de tracé d'exportation de RStudio
    • Par programmation : package ReporteRs

    Importation de données

    Il existe de nombreuses façons d'importer des données Excel (tabulaires). Pour les données Excel, le package readxl fournit le plus simple et le plus polyvalent. Il obtient généralement les types de variables corrects lors de l'importation.

    Les alternatives consistent à enregistrer le fichier au format CSV et à le réimporter. Le package readr est bon pour cela. @Nick Stauner fournit peut-être la solution la plus basique en utilisant read.csv la limitation est que cela nécessite l'étape supplémentaire d'enregistrer une feuille de calcul en tant que fichier CSV. Ce n'est pas génial si vos données sont réparties sur plusieurs feuilles. Cela peut devenir fastidieux bien qu'il existe des programmes VBA pour enregistrer toutes les feuilles sous forme de fichiers CSV. Google pour eux. Une autre limitation consiste à obtenir les types de variables corrects. Si vous utilisez read.csv , vous devez souvent corriger vos types après l'importation dans R.

    Il existe quelques packages qui évitent ces problèmes en vous permettant de vous connecter directement en lecture/écriture à partir de la feuille de calcul ou en utilisant ODBC. Rechercher sur CRAN pour exceller ou alors odbc pour trouver celui qui convient à votre situation.

    Traçage

    En termes d'obtention de tracés dans PowerPoint, utilisez les fonctions de tracé d'exportation de Rstudio, la méthode copier-coller en utilisant Rstudio est:

    exporter le tracé > copier le tracé dans le presse-papiers > copier en tant que : le métafichier capture le tracé dans le tampon de collage vous permettant de le coller directement dans Power Point.

    En ce qui concerne la génération de graphiques, R a de nombreuses options. Le susdit ggplot2 package fournit une interface très puissante pour créer toutes sortes de tracés. Il existe des packages supplémentaires pour faire des centaines ou des milliers d'autres types d'intrigues/animations/etc. Une limitation est que ceux-ci sont souvent enterrés dans des packages CRAN.


    Utiliser ArcGIS Pro pour créer une carte hors ligne - partie 1

    par MarkBockenhauer

    Le travail sur le terrain vous emmène, vous et vos travailleurs mobiles, sans connexion de données, mais cela ne devrait pas vous empêcher d'utiliser vos données SIG. Vous pouvez créer une carte qui ne nécessite pas Internet et vous pouvez l'utiliser sur votre appareil sur le terrain. Vous utilisez peut-être Explorer for ArcGIS, ou peut-être une application personnalisée créée avec AppStudio for ArcGIS ou un ArcGIS Runtime SDK. Dans ce blog, nous verrons comment créer une carte pouvant être utilisée hors ligne (sans connexion de données) dans l'une de ces applications. Nous verrons ensuite comment utiliser cette carte dans Explorer.

    Tout d'abord, voyons un exemple de carte hors ligne utilisant Explorer for ArcGIS . Si vous n'avez pas déjà installé l'application, commencez par l'installer sur votre appareil iOS ou Android. Recherchez Explorer for ArcGIS dans l'App ou le Play Store.

    Démarrez Explorer et appuyez sur Continuer sans vous connecter lorsqu'il se lance.

    Recherchez ensuite « Parc national de Shenandoah » et appuyez sur pour télécharger la carte.

    Consultez la carte pour avoir une idée de ce qui est possible : appuyez sur les entités et affichez des informations à leur sujet, affichez les couches de la carte, mesurez ou tracez un balisage sur la carte. Si vous débutez avec Explorer, jetez un œil à Prise en main et essayez certaines des choses appelées là-bas à l'aide de cette carte hors ligne.

    Nous allons maintenant utiliser ArcGIS Pro 2.1 et créer une carte hors ligne comme la carte du parc national de Shenandoah. Dans les coulisses, une carte hors ligne est un Mobile Map Package (MMPK). Au fur et à mesure que vous créez le MMPK en suivant ce blog, vous apprendrez le modèle recommandé pour créer une carte hors ligne (ou MMPK) comme celle que vous venez d'essayer dans Explorer.

    Dans cet exemple, nous allons commencer avec une carte pratiquement terminée. Pour ce faire, nous obtiendrons un projet ArcGIS Pro qui contient déjà des cartes terminées.

    Remarque : cet exercice nécessite ArcGIS Pro 2.1.

    Temps estimé pour terminer - 40 minutes.

    1. Démarrez ArcGIS Pro et cliquez sur Ouvrir un autre projet
    2. Cliquez sur Portail, puis sur Parcourir pour obtenir un projet partagé à partir d'ArcGIS Online.Cliquez sur le filtre All Portal et recherchez « Make Offline Map example ». Sélectionnez-le et cliquez sur OK.

    3. Le projet se télécharge et s'ouvre avec trois cartes (souvent appelées vues) : Opérationnelle, VTPK_Source_BM et Basemap. La carte opérationnelle se compose de lieux, de points et de zones d'intérêt. Les couches de cette carte fournissent des fonctionnalités consultables et cliquables pour votre carte hors ligne. Vous pouvez créer la carte opérationnelle pour permettre aux utilisateurs de votre carte de rechercher des entités par attributs et d'appuyer sur les entités pour afficher des fenêtres contextuelles.

    Cliquez sur l'onglet VTPK_Source_BM pour activer la vue de fond de carte. Il montre les limites des parcs nationaux de Yellowstone et de Grand Teton. Les informations de cette carte fournissent des données de référence de fond pour les couches opérationnelles. Les couches du fond de carte sont uniquement destinées à la visualisation. Les utilisateurs de la carte hors ligne ne pourront pas accéder aux attributs via une fenêtre contextuelle ni rechercher des entités dans le fond de carte. S'il y a des couches dans cette carte avec lesquelles vous souhaitez que les utilisateurs interagissent, déplacez-les vers la carte opérationnelle.

    Remarque : les données sources des deux cartes proviennent de The National Map https://viewer.nationalmap.gov/basic/

    Cliquez sur l'onglet Fond de carte pour activer la vue et voyez qu'elle est vide. Nous utiliserons cette carte plus tard.

    4. Activez la carte opérationnelle en cliquant sur son onglet, cliquez sur la galerie Fond de carte et choisissez le fond de carte VTPK_Source_BM

    Déplacez-vous et zoomez sur la carte pour vous familiariser avec le fond de carte et les données opérationnelles. Cela vous donnera un contexte sur la façon dont les couches opérationnelles fonctionnent avec les couches de fond de carte.

    Remarque : si vous ne voyez aucune étiquette, cochez puis réactivez une couche opérationnelle pour forcer un rafraîchissement.

    Créer un fond de carte de tuiles vectorielles

    La meilleure pratique pour créer une carte hors ligne efficace consiste à utiliser des tuiles vectorielles dans un package de tuiles vectorielles (VTPK) pour les données vectorielles et un package de tuiles (TPK) pour les données raster. Dans cet exemple, nous utiliserons des tuiles vectorielles pour le fond de carte.

    Remarque : Les données de fichier raster (images) ne seront pas couvertes dans cet exemple. Une future mise à jour de cet exercice l'utilisera, mais pour le moment, les données de fichier raster dans une carte hors ligne ne sont pas prises en charge dans les applications créées sur les SDK ArcGIS Runtime (y compris Explorer et celles créées via AppSudio ). Les équipes s'efforcent de prendre en charge les fichiers raster dans les cartes hors ligne dans les prochaines versions.

    Vous pouvez utiliser les packages de tuiles (.TPK) dans les packages de cartes mobiles. Vous pouvez utiliser l'outil de géotraitement Créer un paquet de tuiles de carte pour les créer.

    1. Nous pourrions créer une carte hors ligne de tout le contenu de la carte. Cependant, il est courant de créer une carte hors ligne ou plusieurs cartes hors ligne à partir d'une partie d'une carte existante. Par exemple, nous pouvons avoir un projet incluant l'ensemble des États-Unis et nous ne sommes intéressés que par la création d'une carte hors ligne pour une ville spécifique. Dans cet esprit, nous allons créer une carte hors ligne pour une partie de cette carte.

    Zoomez sur l'étendue du parc national de Grand Teton, ce sera l'étendue de la carte hors ligne que nous créons.

    Activez le fond de carte VTPK_Source_BM. Toutes les cartes du projet sont liées par échelle et étendue, vous devriez voir la même étendue du parc national de Grand Teton. Les données de ce projet sont constituées de données de géodatabase de fichiers vectoriels. Nous pourrions utiliser ces données hors ligne, telles quelles, mais le moyen le plus efficace d'utiliser des données vectorielles hors ligne consiste à utiliser des tuiles vectorielles. Cela est particulièrement vrai pour notre fond de carte, qui n'a pas besoin de fournir un accès aux attributs ou à l'interaction de l'utilisateur avec les entités. Les tuiles vectorielles fournissent une visualisation et ne donnent pas accès aux géométries ou aux attributs des entités. Comme mentionné précédemment, si les utilisateurs de la carte ont besoin d'accéder aux attributs et aux géométries, ajoutez la couche à la carte opérationnelle. (Si vous regardez de près ce projet, vous remarquerez que certaines des mêmes couches se trouvent à la fois dans la carte opérationnelle et dans le fond de carte VTPK_Source_BM. Cela permet une visualisation efficace des entités tout en donnant accès aux attributs des entités.)

    2. Les outils de création d'un paquet de tuiles vectorielles créeront des tuiles vectorielles pour l'étendue définie de la carte. Définissons l'étendue de la carte au parc national de Grand Teton en cliquant avec le bouton droit sur VTPK_Source_BM dans la table des matières et en cliquant sur Propriétés . Cliquez sur Etendue et définissez l'étendue personnalisée sur l'étendue visible actuelle et cliquez sur OK .

    Lorsque vous cliquez sur le bouton Pleine étendue du ruban, la carte effectue désormais un zoom sur l'étendue personnalisée. Utilisez ce bouton pour confirmer que ce que vous voyez dans la vue correspond à ce que vous allez obtenir lors de la création des tuiles vectorielles.

    Ensuite, nous utiliserons un outil de géotraitement pour créer des tuiles vectorielles pour le fond de carte.

    3. Cliquez sur l'onglet Analyse et cliquez sur le bouton Outils.

    Cela ouvre le volet Outils de géotraitement.

    4. Recherchez « Paquet de tuiles vectorielles » et ouvrez l'outil Créer un paquet de tuiles vectorielles.

    5. Choisissez VTPK_Source_BM pour votre carte d'entrée.

    6. Dans le fichier de sortie , spécifiez un nom et un emplacement de sortie pour votre package de tuiles vectorielles.

    7. Décochez Package pour ArcGIS Online | Cartes Bing | Google Maps

    La structure de tuile se met automatiquement à jour pour correspondre au système de coordonnées de la carte.

    Remarque : La structure de tuile affiche le système de coordonnées défini dans les propriétés de la carte. Dans ce cas, le système de coordonnées utilisé correspond au système de coordonnées de la carte et des données. Pour utiliser ArcGIS Online | Cartes Bing | Schéma Google Maps, la carte doit être dans le système de coordonnées de la sphère auxiliaire WGS 84 Web Mercator.

    Remarque : vous pouvez modifier le système de coordonnées de chaque carte du projet en sphère auxiliaire WGS 84 Web Mercator et produire des tuiles vectorielles dans ArcGIS Online | Cartes Bing | Schéma de tuile de Google Maps. Cependant, les performances de dessin dans ArcGIS Pro seront moins efficaces, car toutes les données de la carte sont dans le système de coordonnées géographiques North American 1983, et l'affichage de la couche nécessitera plus de traitement car les données sont reprojetées à la volée. Lorsque cela est possible, placez toujours votre carte et vos données dans le même système de coordonnées pour un affichage des données le plus rapide.

    8. Acceptez le format de mosaïque par défaut, qui est Indexé .

    9. Définissez l'échelle maximale en cache sur 0 . Certains cas d'utilisation de carte hors ligne nécessitent un zoom avant à proximité de la carte, et sans ce paramètre, les tuiles vectorielles cessent de s'afficher une fois l'échelle maximale en cache dépassée. En définissant ce paramètre sur 0, les utilisateurs peuvent zoomer aussi près qu'ils le souhaitent et toujours voir les informations sur les tuiles vectorielles.

    10. L'outil utilisera un index par défaut, les polygones d'index ne sont donc pas nécessaires. Le résumé et les balises sont également facultatifs et il n'est pas nécessaire de les remplir.

    11. Avant d'exécuter l'outil, cliquez avec le bouton droit sur la carte VTPK_Source_BM dans le volet Contenu et cliquez sur Propriétés .

    Cliquez sur Métadonnées et rédigez une description pour la carte. Si la carte n'a pas de description, l'outil Créer un package de tuiles vectorielles ne s'exécutera pas.

    (Oui, cela aurait pu être fait dans le cadre de l'exemple de projet, mais il s'agit d'un obstacle souvent rencontré au succès… c'est bon à savoir !)

    Cliquez sur OK pour ajouter la description.

    12. Cliquez sur Exécuter dans l'outil Créer un package de tuiles vectorielles.

    Utilisation du package de tuiles vectorielles comme fond de carte

    1. Une fois l'outil terminé, cliquez sur l'onglet Fond de carte pour activer la vue de fond de carte vide.

    Cliquez sur l'onglet Carte et sur Ajouter des données , accédez au package de tuiles vectorielles que vous avez créé, sélectionnez-le et cliquez sur OK .

    2. Cliquez sur l'onglet Opérationnel pour activer la vue Carte opérationnelle.

    Dans cette vue, vous changerez de fond de carte pour utiliser le "fond de carte" auquel vous venez d'ajouter le package de tuiles vectorielles.

    3. Choisissez le fond de carte dans la galerie de fonds de carte.

    Le fond de carte de votre vue opérationnelle est mis à jour pour utiliser le package de tuiles vectorielles que vous avez créé.

    4. Cliquez avec le bouton droit sur Fond de carte dans le volet Contenu et sélectionnez Zoom sur la couche .

    C'est l'étendue de la carte que nous partagerons pour une utilisation hors ligne.

    Rendons la carte consultable. Il existe deux manières de fournir une fonctionnalité de recherche aux utilisateurs de cartes hors ligne. Nous pouvons activer la recherche d'entités ou créer des localisateurs à utiliser avec la carte (ou les deux). L'une des principales différences est que les localisateurs prennent en charge les suggestions au fur et à mesure que l'utilisateur tape, qui ne sont pas prises en charge dans la recherche de fonctionnalités. Le compromis est que les localisateurs augmentent la taille de la carte. La recherche d'entités n'augmente pas la taille de la carte, mais ne fournit pas de suggestions.

    Remarque : Différentes applications prennent en charge différents types de fonctionnalités de recherche. Les deux sont pris en charge dans Explorer. Navigator for ArcGIS prend uniquement en charge les localisateurs. Il appartient au développeur avec une application AppStudio ou Runtime SDK.

    Commençons par activer la recherche de fonctionnalités, puis nous allons créer un localisateur.

    1. Cliquez sur Localiser dans le ruban, puis sur Paramètres dans le volet Localiser.

    Les localisateurs en ligne associés à votre organisation sont répertoriés. Ceux-ci ne seront pas accessibles aux utilisateurs de carte hors ligne de votre organisation ou aux utilisateurs avec lesquels vous partagez la carte et qui ne sont pas membres de votre organisation. Vous devez donc inclure une fonctionnalité de recherche dans la carte.

    2. Cliquez sur le bouton "Ajouter un fournisseur de localisation" et cliquez sur Ajouter une couche

    Les couches d'entités de votre carte seront répertoriées. Permettons aux utilisateurs de la carte de trouver les sommets des montagnes. Mettez en surbrillance la couche TowerSummitMinesDam et cliquez sur OK .

    Remarque : de nombreuses couches opérationnelles de cette carte font référence aux mêmes données ponctuelles Geonames USA. Une requête de définition de couche est utilisée à des fins cartographiques pour regrouper différents types de points d'intérêt Geonames

    Cela affiche tous les champs de cette couche et nous permet de choisir un opérateur de recherche pour chaque champ que nous souhaitons rendre disponible pour la recherche par les utilisateurs de la carte.

    3. Autoriser les utilisateurs de la carte à rechercher par FEATURE_NAME et utiliser le Contient Cela renverra les résultats de la recherche pour toutes les entités de la couche TowerSummitMinesDam qui « contiennent » les caractères saisis par l'utilisateur de la carte. Si vous utilisez l'opérateur « Egals », l'utilisateur devra faire correspondre exactement l'attribut pour le trouver.

    4. Cliquez sur la flèche de retour pour enregistrer et revenir aux paramètres.

    5. La couche est répertoriée dans la liste Locator. Décochez les localisateurs fournis par votre organisation, puis cliquez sur Localiser pour tester la recherche d'entités sur la couche TowerSummitMinesDam.

    6. Recherchez « Grand Te » et voyez que Grand Teton est renvoyé dans les résultats de la recherche.

    Si nécessaire, vous pouvez activer la recherche de couches plus opérationnelles dans votre carte et de plusieurs champs dans ces couches.

    7. Une autre façon de fournir des capacités de recherche à vos utilisateurs Explorer est d'inclure un localisateur dans la carte. Vous pouvez créer des localisateurs pour les couches d'entités de votre carte à l'aide de l'outil de géotraitement Créer un localisateur d'adresses.

    8. Choisissez un style de localisateur, un répertoire géographique et un champ unique fonctionnent bien pour les entités nommées. Dans ce cas, utilisez le style Gazetteer.

    9. Choisissez une couche à partir de laquelle construire le localisateur. Cette couche d'entités n'a pas besoin d'être sur votre carte. Pour cet exemple, utilisez la couche d'entités LocalePopPlace.

    10. Spécifiez le champ d'attribut avec les attributs à rechercher : FEATURE_NAME .

    11. Spécifiez un nom de localisateur d'adresses de sortie ou utilisez simplement la valeur par défaut.

    12. Cochez Activer les suggestions . Au fur et à mesure que les utilisateurs tapent leur chaîne de recherche dans la carte, des suggestions seront présentées (ce qui n'est pas pris en charge avec la recherche d'entités).

    13. Cliquez sur Exécuter pour créer le localisateur.

    Dans les paramètres de localisation, vous verrez que le localisateur que vous venez de créer est disponible pour utilisation.

    14. Recherchez « White Grass » et voyez « White Grass Ranch » et « White Grass Ranger Station » renvoyés dans les résultats.

    Les signets sont des étendues nommées prédéfinies que vous pouvez inclure dans la carte. Les signets permettent aux utilisateurs de la carte de zoomer facilement dans une certaine mesure. Les signets que vous créez pour la carte dans ArcGIS Pro sont inclus dans la carte hors ligne.

    1. Pour créer un signet, effectuez un zoom dans une certaine mesure, cliquez sur Signets dans le ruban, puis sur Nouveau signet .


    Données spatiales en R

    Cette prochaine partie de l'article applique les mêmes principes introduits dans l'article précédent au problème beaucoup plus complexe de la gestion des données spatiales dans R. Dans cet article, nous allons produire une galerie de cartes en utilisant de nombreux outils de traçage disponibles dans R. Les cartes résultantes ne sera pas si significatif - l'accent est mis ici sur la visualisation du son avec R et non sur l'analyse du son (je sais que l'un est inutile sans l'autre !). Une analyse spatiale de bonne qualité viendra dans le reste du module.

    Bien que les instructions soient étape par étape, nous vous encourageons à commencer à vous en écarter (en essayant différentes couleurs par exemple) pour mieux comprendre ce que nous faisons.

    Dans cette section, nous aurons besoin de packages encore plus spécialisés, je devrais donc probablement passer un peu plus de temps à expliquer ce que sont réellement les packages ! Les packages sont des morceaux de code qui étendent R au-delà de la fonctionnalité statistique de base pour laquelle il a été conçu à l'origine. Pour les données spatiales, ils permettent à R de traiter les formats de données spatiales, d'effectuer des tâches d'analyse et de créer certaines des cartes qui suivent.

    Fondamentalement, sans packages, R serait très limité. Avec les forfaits, vous pouvez pratiquement tout faire ! L'un des problèmes que vous rencontrerez est que les packages sont continuellement développés et mis à jour et à moins que vous ne gardiez votre version de R à jour et vos packages mis à jour, certaines fonctions et options peuvent ne pas être disponibles. Cela peut être un problème, en particulier avec les installations universitaires qui (au mieux) ne peuvent être mises à jour qu'une fois par an. Par conséquent, excusez-nous d'avance si les choses ne fonctionnent pas comme prévu!

    Forfaits dans RStudio

    1. Dans RStudio, tous les packages peuvent être installés et activés dans l'onglet "Packages" dans la fenêtre en bas à droite :

    Comme pour tout le reste dans R, nous pouvons également tout exécuter à partir de la ligne de commande. Le premier package que nous devons installer pour cette partie de la pratique est maptools - recherchez-le et installez-le à l'aide de l'interface graphique RStudio ou procédez comme suit :

    Il y a quelques autres packages que nous devrons maîtriser. Certains, comme ggplot2 (l'un des packages R les plus influents de tous les temps) font partie du package tidyverse que nous avons rencontré plus tôt. D'autres que nous devrons installer pour la première fois.

    #install.packages(c("classint", "OpenStreetMap", "tmap"))

    # - peut également avoir besoin de ceux-ci ("RCorBrewer", "Sp", "rgeos", "tmap", "tmap tools", "sf", "downloader", "rgdal", "geojsonio")

    Maintenant que les packages ont été installés, vous n'aurez plus à répéter les étapes ci-dessus (lorsque vous utilisez votre compte dans ces salles de cluster). Ouvrez un nouveau script et enregistrez-le dans votre répertoire de travail sous le nom "wk3_maps.r". Comme précédemment, tapez chacune des lignes de code dans cette fenêtre, puis sélectionnez et utilisez les touches de retour ctrl pour les exécuter. Assurez-vous de sauvegarder votre script souvent.

    La première tâche consiste à charger les packages que nous venons d'installer. note , vous pourriez avoir des problèmes avec le package OpenStreetMap si votre installation de Java sur votre ordinateur ne correspond pas à votre installation de R - par ex. si vous avez installé la version 64 bits de R, vous avez également besoin de la version 64 bits de java (identique aux versions 32 bits) - vous devrez peut-être également installer le package Rcpp séparément et réessayer.

    #Load Packages (ignorez les messages d'erreur concernant la construction sous une #différente version R) :
    une bibliothèque(outils cartographiques)une bibliothèque(RCouleur Brewer)une bibliothèque(classeInt) une bibliothèque(OuvrirStreetMap) une bibliothèque(sp) une bibliothèque(géos) une bibliothèque(tmap)une bibliothèque(tmaptools) une bibliothèque(sf) une bibliothèque(rgdal) une bibliothèque(geojsonio)

    Bref historique des données spatiales dans R

    R dispose d'un écosystème de packages très bien développé pour travailler avec des données spatiales. Les premiers pionniers comme Roger Bivand et Edzer Pebesma ainsi que divers collègues ont joué un rôle déterminant dans l'écriture de packages pour s'interfacer avec de puissantes bibliothèques open source pour travailler avec des données spatiales, telles que GDAL et GEOS. Ceux-ci étaient accessibles via les packages rgdal et rgeos. Le package maptools de Roger Bivand, entre autres, a permis de lire les Shapefiles dans R. Le package sp (avec spdep ) d'Edzer Pebesma était très important pour définir une série de classes et de méthodes pour les données spatiales nativement dans R qui a ensuite permis d'autres à écrire des logiciels pour travailler avec ces formats. D'autres packages tels que raster ont avancé l'analyse des données spatiales maillées, tandis que des packages tels que classint et RColorbrewer ont facilité le regroupement des données et la coloration des cartes choroplèthes.

    Alors que ces packages étaient extrêmement importants pour faire avancer l'analyse des données spatiales dans R, ils n'étaient pas toujours les plus simples à utiliser - faire une carte dans R pouvait prendre beaucoup d'efforts et ils étaient statiques et visuellement basiques. Cependant, plus récemment, de nouveaux packages sont arrivés pour changer cela. Désormais, le dépliant permet à R de s'interfacer avec la bibliothèque javascript de dépliants pour des cartes dynamiques en ligne. ggplot2 qui a été développé par Hadley Wickam et ses collègues a radicalement changé la façon dont les gens pensaient et créaient des objets graphiques dans R, y compris des cartes, et a introduit un style graphique qui a fait l'envie d'autres logiciels dans la mesure où il existe maintenant des bibliothèques en Python qui copient le style ggplot2 !

    S'appuyant sur tout cela, le nouveau package tmap (Thematic Map) a complètement changé la donne et nous permet désormais de lire, d'écrire et de manipuler des données spatiales et de produire des cartes visuellement impressionnantes et interactives, très facilement. En parallèle, le package sf (Simple Features) nous aide à repenser la manière dont les données spatiales peuvent être stockées et manipulées. C'est une période passionnante pour l'information géographique / la science des données spatiales !

    Faire des cartes choroplèthes

    Les cartes choroplèthes sont des cartes thématiques qui colorent les zones selon un phénomène. Dans notre cas, nous allons remplir certains polygones irréguliers (les arrondissements de Londres) avec une couleur qui correspond à un attribut particulier.

    Comme pour tous les graphiques de R, il existe plusieurs façons de procéder. La fonction de base plot() ne nécessite aucune préparation de données mais un effort supplémentaire dans la sélection des couleurs/l'ajout de la clé de carte, etc. qplot() et ggplot() (installés dans le package ggplot2) nécessitent quelques étapes supplémentaires pour formater les données spatiales mais sélectionner les couleurs et ajouter des clés, etc. automatiquement. Ici, nous allons utiliser le nouveau package tmap qui rend la création de cartes très simple.

    Lire un shape!le / toute autre source de données spatiales

    6. Donc, une chose super cool à propos de R est que vous pouvez lire des données spatiales directement à partir d'Internetz! Essayez ceci ci-dessous pour télécharger un fichier GeoJson :

    EW < geojson_read ("http://geoportal.statistics.gov.uk/datasets/8edafbe3276 d4b56aec60991cbddda50_2.geojson", what = "sp")

    #tirez london en utilisant grep et le caractère générique regex pour 'début de la chaîne' (^) pour rechercher le bit du code de district qui se rapporte à Londres (E09 ) de la colonne 'lad15cd' dans l'emplacement de données de notre espace datafr ame de polygones


    Développement géospatial par exemple avec Python

    Le développement géospatial par exemple avec Python est destiné aux développeurs débutants ou avancés en Python qui souhaitent travailler avec des données géographiques. Le livre convient aux développeurs professionnels qui débutent dans le développement géospatial, aux amateurs ou aux scientifiques des données qui souhaitent se lancer dans un développement simple.

    • Préparez un environnement de développement avec tous les outils nécessaires au géotraitement avec Python
    • Import point data and structure an application using Python's resources
    • Combine point data from multiple sources, creating intuitive and functional representations of geographic objects
    • Filter data by coordinates or attributes easily using pure Python
    • Make press-quality and replicable maps from any data
    • Download, transform, and use remote sensing data in your maps
    • Make calculations to extract information from raster data and show the results on beautiful maps
    • Handle massive amounts of data with advanced processing techniques
    • Process huge satellite images in an efficient way
    • Optimize geo-processing times with parallel processing

    From Python programming good practices to the advanced use of analysis packages, this book teaches you how to write applications that will perform complex geoprocessing tasks that can be replicated and reused.

    Much more than simple scripts, you will write functions to import data, create Python classes that represent your features, and learn how to combine and filter them.

    With pluggable mechanisms, you will learn how to visualize data and the results of analysis in beautiful maps that can be batch-generated and embedded into documents or web pages.

    Finally, you will learn how to consume and process an enormous amount of data very efficiently by using advanced tools and modern computers' parallel processing capabilities.

    This easy-to-follow book is filled with hands-on examples that illustrate the construction of three sample applications of how to write reusable and interconnected Python code for geo-processing.


    Données spatiales en R

    Cette prochaine partie de l'article applique les mêmes principes introduits dans l'article précédent au problème beaucoup plus complexe de la gestion des données spatiales dans R. Dans cet article, nous allons produire une galerie de cartes en utilisant de nombreux outils de traçage disponibles dans R. Les cartes résultantes ne sera pas si significatif - l'accent est mis ici sur la visualisation du son avec R et non sur l'analyse du son (je sais que l'un est inutile sans l'autre !). Une analyse spatiale de bonne qualité viendra dans le reste du module.

    Bien que les instructions soient étape par étape, nous vous encourageons à commencer à vous en écarter (en essayant différentes couleurs par exemple) pour mieux comprendre ce que nous faisons.

    Dans cette section, nous aurons besoin de packages encore plus spécialisés, je devrais donc probablement passer un peu plus de temps à expliquer ce que sont réellement les packages ! Les packages sont des morceaux de code qui étendent R au-delà de la fonctionnalité statistique de base pour laquelle il a été conçu à l'origine. Pour les données spatiales, ils permettent à R de traiter les formats de données spatiales, d'effectuer des tâches d'analyse et de créer certaines des cartes qui suivent.

    Fondamentalement, sans packages, R serait très limité. Avec les forfaits, vous pouvez pratiquement tout faire ! L'un des problèmes que vous rencontrerez est que les packages sont continuellement développés et mis à jour et à moins que vous ne gardiez votre version de R à jour et vos packages mis à jour, certaines fonctions et options peuvent ne pas être disponibles. Cela peut être un problème, en particulier avec les installations universitaires qui (au mieux) ne peuvent être mises à jour qu'une fois par an. Par conséquent, excusez-nous d'avance si les choses ne fonctionnent pas comme prévu!

    Forfaits dans RStudio

    1. Dans RStudio, tous les packages peuvent être installés et activés dans l'onglet "Packages" dans la fenêtre en bas à droite :

    Comme pour tout le reste dans R, nous pouvons également tout exécuter à partir de la ligne de commande. Le premier package que nous devons installer pour cette partie de la pratique est maptools - recherchez-le et installez-le à l'aide de l'interface graphique RStudio ou procédez comme suit :

    Il y a quelques autres packages que nous devrons maîtriser. Certains, comme ggplot2 (l'un des packages R les plus influents de tous les temps) font partie du package tidyverse que nous avons rencontré plus tôt. D'autres que nous devrons installer pour la première fois.

    #install.packages(c("classint", "OpenStreetMap", "tmap"))

    # - peut également avoir besoin de ceux-ci ("RCorBrewer", "Sp", "rgeos", "tmap", "tmap tools", "sf", "downloader", "rgdal", "geojsonio")

    Maintenant que les packages ont été installés, vous n'aurez plus à répéter les étapes ci-dessus (lorsque vous utilisez votre compte dans ces salles de cluster). Ouvrez un nouveau script et enregistrez-le dans votre répertoire de travail sous le nom "wk3_maps.r". Comme précédemment, tapez chacune des lignes de code dans cette fenêtre, puis sélectionnez et utilisez les touches de retour ctrl pour les exécuter. Assurez-vous de sauvegarder votre script souvent.

    La première tâche consiste à charger les packages que nous venons d'installer. note , vous pourriez avoir des problèmes avec le package OpenStreetMap si votre installation de Java sur votre ordinateur ne correspond pas à votre installation de R - par ex. si vous avez installé la version 64 bits de R, vous avez également besoin de la version 64 bits de java (identique aux versions 32 bits) - vous devrez peut-être également installer le package Rcpp séparément et réessayer.

    #Load Packages (ignorez les messages d'erreur concernant la construction sous une #différente version R) :
    une bibliothèque(outils cartographiques)une bibliothèque(RCouleur Brewer)une bibliothèque(classeInt) une bibliothèque(OuvrirStreetMap) une bibliothèque(sp) une bibliothèque(géos) une bibliothèque(tmap)une bibliothèque(tmaptools) une bibliothèque(sf) une bibliothèque(rgdal) une bibliothèque(geojsonio)

    Bref historique des données spatiales dans R

    R dispose d'un écosystème de packages très bien développé pour travailler avec des données spatiales. Les premiers pionniers comme Roger Bivand et Edzer Pebesma ainsi que divers collègues ont joué un rôle déterminant dans l'écriture de packages pour s'interfacer avec de puissantes bibliothèques open source pour travailler avec des données spatiales, telles que GDAL et GEOS. Ceux-ci étaient accessibles via les packages rgdal et rgeos. Le package maptools de Roger Bivand, entre autres, a permis de lire les Shapefiles dans R. Le package sp (avec spdep ) d'Edzer Pebesma était très important pour définir une série de classes et de méthodes pour les données spatiales nativement dans R qui a ensuite permis d'autres à écrire des logiciels pour travailler avec ces formats. D'autres packages tels que raster ont avancé l'analyse des données spatiales maillées, tandis que des packages tels que classint et RColorbrewer ont facilité le regroupement des données et la coloration des cartes choroplèthes.

    Alors que ces packages étaient extrêmement importants pour faire avancer l'analyse des données spatiales dans R, ils n'étaient pas toujours les plus simples à utiliser - faire une carte dans R pouvait prendre beaucoup d'efforts et ils étaient statiques et visuellement basiques. Cependant, plus récemment, de nouveaux packages sont arrivés pour changer cela. Désormais, le dépliant permet à R de s'interfacer avec la bibliothèque javascript de dépliants pour des cartes dynamiques en ligne. ggplot2 qui a été développé par Hadley Wickam et ses collègues a radicalement changé la façon dont les gens pensaient et créaient des objets graphiques dans R, y compris des cartes, et a introduit un style graphique qui a fait l'envie d'autres logiciels dans la mesure où il existe maintenant des bibliothèques en Python qui copient le style ggplot2 !

    S'appuyant sur tout cela, le nouveau package tmap (Thematic Map) a complètement changé la donne et nous permet désormais de lire, d'écrire et de manipuler des données spatiales et de produire des cartes visuellement impressionnantes et interactives, très facilement. En parallèle, le package sf (Simple Features) nous aide à repenser la manière dont les données spatiales peuvent être stockées et manipulées. C'est une période passionnante pour l'information géographique / la science des données spatiales !

    Faire des cartes choroplèthes

    Les cartes choroplèthes sont des cartes thématiques qui colorent les zones selon un phénomène. Dans notre cas, nous allons remplir certains polygones irréguliers (les arrondissements de Londres) avec une couleur qui correspond à un attribut particulier.

    Comme pour tous les graphiques de R, il existe plusieurs façons de procéder. La fonction de base plot() ne nécessite aucune préparation de données mais un effort supplémentaire dans la sélection des couleurs/l'ajout de la clé de carte, etc. qplot() et ggplot() (installés dans le package ggplot2) nécessitent quelques étapes supplémentaires pour formater les données spatiales mais sélectionner les couleurs et ajouter des clés, etc. automatiquement. Ici, nous allons utiliser le nouveau package tmap qui rend la création de cartes très simple.

    Lire un shape!le / toute autre source de données spatiales

    6. Donc, une chose super cool à propos de R est que vous pouvez lire des données spatiales directement à partir d'Internetz! Essayez ceci ci-dessous pour télécharger un fichier GeoJson :

    EW < geojson_read ("http://geoportal.statistics.gov.uk/datasets/8edafbe3276 d4b56aec60991cbddda50_2.geojson", what = "sp")

    #tirez london en utilisant grep et le caractère générique regex pour 'début de la chaîne' (^) pour rechercher le bit du code de district qui se rapporte à Londres (E09 ) de la colonne 'lad15cd' dans l'emplacement de données de notre espace datafr ame de polygones


    The Development of National Datasets

    Software advancements were certainly a large piece of the digital-mapping puzzle, but without readily available data, progress in this arena would have been slowed. Fortunately, a few agencies within the US federal government had vested interest and made headway. Two of the front-runners were the USCB and the USGS , and their timing was fitting.

    US Census Bureau

    (USCB Logo for the United States Census Bureau’s TIGER (Topologically Integrated Geographic Encoding and Referencing) map data format

    These early maps began as hand sketches created by field surveyors and included features such as civil divisions, public works, hydrography, and hypsography, but by the 1930s the USGS started using aerial photography and photogrammetry.

    USGS 7.5 Minute Map (HowToWilderness.com Aerial Photo Stowe VT)

    Overlaying the Stories

    The motivation for GIS has varied widely, but most of the field’s innovation grew from academic curiosity and the governmental challenges of looking for solutions with large datasets (Coppock and Rhind 1991, 21–43).

    When you explore the individual stories of GIS history, you see that chance, timing, and heritage played into its development.

    You see how the British, with their obsession with surveying and mapping, laid much of the groundwork for GIS and that many of the early key players in mapping were of British heritage. Not only did they have access to accurate maps and tools — they were also wired with the mindset that mapping advances society.

    Yet, it took the composition of North America to give rise to the first GIS. The abundance of public land in Canada and the United States (which Britain lacked) created the need for complex land management systems. You see that by the early 1980s, there were more than one thousand GIS systems in North America alone, which, proportionately, was extremely high (Tomlinson 1985).

    But development of the first GIS also took a bit of chance. It wasn’t enough for the British-born Roger Tomlinson to have conceived the concept it also took him sitting in the right seat on the right plane (i.e., next to Lee Pratt) on the right day to close the final gap.

    The first generation of GIS was dominated by mainframe computers and punch card technology. You see the reoccurrence of the IBM System 360 in the 1960s and its ability to be programmed to cover a range of applications.

    You also see how timing played a role in the second generation of GIS, as personal computing and software applications were the focus. Jack Dangermond’s timing at the Lab put him in position to successfully launch Esri, and then, by the 1980s, personal computers were prevalent enough for Esri to bring the first cross-platform, do-it-yourself GIS application to market.

    The current GIS platform is built on web applications, shareable web services, and cloud computing. But, in this article we explored the interwoven stories that you discover when you zoom in on the history of GIS. Hopefully, when you zoom back out you will now have a greater appreciation for today’s GIS.

    Key moments in GIS. Click for larger version.

    Note: a special thanks to the editor, Anna Tribolet for her awesome editing skills and for the creation of the ‘Key Moments in GIS’ infographic!

    Article republished with permission from Utah AGRC.

    Les références

    Aguirre, Jessica Camille. “The Unlikely History of the Origins of Modern Maps.” Smithsonian.com. June 2, 2014. Accessed August 19, 2019. https://www.smithsonianmag.com/history/unlikely-history-origins-modern-maps-180951617/.

    Anam, Aysha. “How India was measured: Story of the Great Trigonometrical Survey of India.” India Today. Published July 10, 2018. Updated July 12, 2018. Accessed August 19, 2019. https://www.indiatoday.in/education-today/gk-current-affairs/story/how-was-india-measured-why-is-it-important-to-measure-land-1281835-2018-07-10.

    ArcGIS. 1986 PC ARC/INFO Released. Retrieved from “Our Common History” story map. https://www.arcgis.com/apps/MapJournal/index.html?appid=df8224427fc741ab9f8117e9af1d692a.

    Artz, Matt. “Charting the Unknown: How Computer Mapping at Harvard Became GIS.” GIS and Science. November 17, 2009. Accessed August 19, 2019. https://gisandscience.com/2009/11/17/charting-the-unknown-how-computer-mapping-at-harvard-became-gis/.

    Beniger, James Ralph. The Control Revolution: Technological and Economic Origins of the Information Society, 411–412. Cambridge (MA): Harvard University Press, 1997. Accessed on 7/31/2019 via Google Books.

    Chrisman, Nicolas. “Remembering the Lab: A short history of GIS at Harvard.” Présentation. 2006. Accessed August 19, 2019. https://docplayer.net/12667857-Remembering-the-lab.html.

    Chrisman, Nick. Charting the Unknown: How Computer Mapping at Harvard Became GIS. Redlands, CA: Esri Press, 2006.

    Coppock, J. Terry, and David W. Rhind. “The History of GIS.” In Applications. Vol. 2 of Geographical Information Systems: Principles and Applications. Edited by David J. Maguire,

    Michael F. Goodchild, and David W. Rhind, 21–43. Harlow, UK: Longmans, 1991. https://oxfordbibliographiesonline.com/view/document/obo-9780199874002/obo-9780199874002-0143.xml#obo-9780199874002-0143-bibItemGroup-0001.

    DeMers, Michael. “CGIS History Captioned.” Youtube. Uploaded by Michael DeMers on August 29, 2013. Accessed August 19, 2019. https://www.youtube.com/watch?v=3VLGvWEuZxI.

    DeMers, Michael. CGIS Screenshot. 2013. Screenshot from “CGIS History Captioned” YouTube video. https://www.youtube.com/watch?v=3VLGvWEuZxI.

    Esri. “History of GIS.” Accessed August 19, 2019. https://www.Esri.com/en-us/what-is-gis/history-of-gis.

    Esri. “History Up Close.” 2015. Accessed August 19, 2019. https://www.Esri.com/

    Fisk, Dale. “Programming with Punched Cards.” Columbia University. Accessed August 19, 2019. http://www.columbia.edu/cu/computinghistory/fisk.pdf.

    Friendly, M. & Denis, D. J. Early SYMAP image of Connecticut. 2001. “1950-1974: Re-birth of data visualization” article on Milestones in the history of thematic cartography, statistical graphics, and data visualization site. http://www.datavis.ca/milestones/. Accessed August 29, 2019.

    Garfield, Simon. On the Map: A Mind-Expanding Exploration of the Way the World Looks, 192, 194. New York: Gotham Books, 2013.

    GIS Geography. “The Remarkable History of GIS.” June 13, 2019. Accessed August 19, 2019. https://gisgeography.com/history-of-gis/.

    GISHistory. “Allan Schmidt talks about the Harvard Laboratory for Computer Graphics and Spatial Analysis, Part 1.” Youtube. Uploaded on November 2, 2009. Accessed August 19, 2019. https://www.youtube.com/watch?v=B14LfcJN490&feature=youtu.be.

    GISHistory. “Jack Dangermond talks about the Harvard Laboratory for Computer Graphics and Spatial Analysis.” Youtube. Uploaded on October 30, 2009. Accessed August 19, 2019. https://www.youtube.com/watch?v=BaHXDMid78I&feature=youtu.be.

    HowToWilderness.com. Aerial Photo Stowe VT. Retrieved from “Reading a Map” article. https://howtowilderness.com/map-training/.

    Jones, Douglas W. “Punched Cards: A brief illustrated technical history.” The University of Iowa Department of Computer Science. Last modified June 28, 2017. Accessed August 19, 2019. http://homepage.divms.uiowa.edu/

    Library of Congress. Image of punched card of Herman Hollerith. 1895. Retrieved from Wikipedia Commons image “File:Hollerith Punched Card.jpg.” http://memory.loc.gov/mss/mcc/023/0008.jpg.

    Micronautes. Broad Street Map/Broadwick Street Water Pump. 2017. Retrieved from “John Snow and cholera” article by Laura Gómez. http://unautes.com/index.php/2017/11/16/john-snow-and-cholera/?lang=en.

    Ordnance Survey. “Our History.” 2019. Accessed August 19, 2019. https://www.ordnancesurvey.co.uk/about/overview/history.html.

    Parecki, Aaron. Esri in 1969. Jack Dangermond, Scott Morehouse, SJ Camarata, Logan Hardison. 2013. Retrieved from Flickr. https://www.flickr.com/photos/aaronpk/9570322487/in/photostream/.

    Pascual, Daniel Fernández. Great Trigonometrical Survey of India. 2012. Retrieved from “Mapping an Empire” article on Deconcrete.org. https://www.deconcrete.org/2012/03/12/mapping-an-empire/.

    Poiker, Thomas K., and Ian K. Crain. “Geographic Information Systems.” In The Canadian Encyclopedia. Historica Canada. Article published February 07, 2006 Last edited February 3, 2014. Accessed August 19, 2019. https://www.thecanadianencyclopedia.ca/en/article/geographic-information-systems

    Rabbitt, Mary C. “The United States Geological Survey: 1879-1989.” Circular, 1989. https://pubs.usgs.gov/circ/1050/pdf/CIRC1050.pdf.

    Schuster, Adam. Proto IBM. 2007. Retrieved from Flickr. https://www.flickr.com/photos/[email protected]/411109339.

    Thompson, Clive. “From Ptolemy to GPS, the Brief History of Maps.” Smithsonian Magazine. July 2017. Accessed August 19, 2019. https://www.smithsonianmag.com/innovation/brief-history-maps-180963685/.

    Tomlinson 1984: Geographic Information Systems – the new frontier. The Operational Geographer 5: 31-6.

    Tomlinson, Roger. “Origins of the Canada Geographic Information System.” Esri. 2012. Accessed August 19, 2019. https://www.Esri.com/news/arcnews/fall12articles/origins-of-the-canada-geographic-information-system.html.

    Consortium universitaire pour la science de l'information géographique. “Roger Tomlinson.” Accessed August 19, 2019. https://www.ucgis.org/roger-tomlinson.

    US Census Bureau.“Agency History.” Last revised May 30, 2019. Accessed August 19, 2019. https://www.census.gov/history/www/census_then_now/.

    US Census Bureau. “Census Bulletin.” Published September 6, 1968. Accessed August 19, 2019. https://www.census.gov/history/pdf/1968censusbulletin-dime.pdf.

    US Census Bureau. “Dual Independent Map Encoding.” Last revised May 30, 2019. Accessed August 19, 2019. https://www.census.gov/history/www/innovations/technology/dual_independent_map_encoding.html.

    US Census Bureau. “Herman Hollerith.” Last revised May 17, 2018. Accessed August 19, 2019. https://www.census.gov/history/www/census_then_now/notable_alumni/herman_hollerith.html.

    Enquête géologique des États-Unis. “National Geospatial Program.” Accessed August 29, 2019. https://www.usgs.gov/core-science-systems/national-geospatial-program/topographic-maps.

    Enquête géologique des États-Unis. The National Map. Last modified October 22, 2018. https://viewer.nationalmap.gov/advanced-viewer/.

    Waldheim, Charles. “The Invention of GIS.” The Harvard Gazette. Video/Production: Ned Brown. October 12, 2011. Accessed August 19, 2019. https://news.harvard.edu/gazette/story/2011/10/the-invention-of-gis/.

    Winfields Outdoors. Image 1 from “Interview With Ordnance Survey – History & Future of OS Maps” article. February 18, 2016. Accessed August 29, 2019. https://www.winfieldsoutdoors.co.uk/blog/ordnance-survey-interview/.