Введение в геопространственный анализ и визуализацию в R

Журнал MDPI Data, наряду с данными, публикует статьи о методах обработки и анализа данных. В нём нам попалась забавная учебная статья

📖 Maesen, P., & Salingros, E. (2024). Introduction to Reproducible Geospatial Analysis and Figures in R: A Tutorial Article. Data, 9(4), 58. https://doi.org/10.3390/data9040058

которая предназначена для студентов и специалистов, имеющих небольшой опыт работы с языком R, и собирающихся использовать его для анализа геоданных и создания карт.

В статье кратко представлены основные понятия растровых и векторных данных, системы координат, также описан базовый рабочий процесс для проведения воспроизводимых исследований в R. Приведены примеры создания различных типов карт (scatter, bubble, choropleth, hexbin и faceted) на основе открытых экологических данных. На этих примерах демонстрируются основные операции с геопространственными векторными данными (чтение, преобразование систем координат, создание геометрий, буферных зон вокруг существующих геометрий, определение пересечений между геометриями и т. п.).

Данные и скрипты есть в Supplementary Materials (скачать https://www.mdpi.com/article/10.3390/data9040058/s1).

📸 Карта средних значений органического углерода почвы (soil organic carbon, SOC) в Германии, измеренных в период 2011–2018 гг.

#R

geodl

В R есть множество пакетов для работы с пространственными данными. А вот пакетов, где для анализа таких данных используются методы глубокого обучения (deep learning, DL), напротив, совсем мало.

Недавно появился пакет geodl, предоставляющий инструменты для семантической сегментации пространственных данных с помощью DL на основе свёрточной нейронной сети (CNN).

geodl построен на базе пакета torch, который поддерживает реализацию DL с помощью языков R и C++ без необходимости установки среды Python/PyTorch. Это значительно упрощает программную среду, необходимую для реализации DL в R. Растровые данные в geodl обрабатываются с помощью известного пакета terra, который также использует C++. Циклы обучения реализуются с помощью пакета luz.

Подробности о geodl изложены в 📖 препринте.

#R #нейронки

☃️ Рождество без снега в Германии

На этом графике от Ansgar Wolsing показана максимальная высота снежного покрова с 24 по 26 декабря в год на 268 метеостанциях Немецкой метеорологической службы (Deutscher Wetterdienst), начиная с 1961 года. ❄️ Каждый год представлен картой, на которой отмечены все метеостанции, где снег выпадал хотя бы в один из трех дней вокруг Рождества.

Вот код R для репликации графика: https://github.com/bydata/random-data-viz/tree/main/snow-de

#R #ggplot2 #примеры_визуализации #ВизуализацияДанных #референсы

Примеры решения геопространственных задач с помощью библиотек машинного обучения языка R

Репозиторий An Inventory of Spatial Machine Learning Packages in R содержит примеры кода, демонстрирующие использование пакетов машинного обучения R — caret, mlr3, tidymodels и других — для решения задач пространственного машинного обучения.

🔗 Репозиторий в Zenodo

📸 Постер “An Inventory of Spatial Machine Learning Packages in R”, представленный на конференции FOSSGIS 2025 в Мюнстере (Германия).

Благодарим за наводку Евгения Матерова, ведущего тг-канал “Наука и данные”.

#R #МО

R-пакет geodata

Пакет geodata языка R предоставляет функции для загрузки и использования множества географических данных, включая:

• климатические данные WorldClim (температура, осадки и пр.) и CMIP6
• административные границы (GADM)
• данные о рельефе (SRTM, 90 м)
• глобальная карта пахотных земель (по ESA Worldcover)
• календарь сельскохозяйственных культур (Sacks crop calendar, и отдельно — для риса)
• данные о распределении сельскохозяйственных культур и системах их производства (SPAM, 42 культуры)
• глобальные карты почвенного покрова (ISRIC)
• данные о биоразнообразии Global Biodiversity Information Facility
• данные OpenStreetMap
• морские данные Bio-Oracle
• плотность населения и другие демографические слои (GPW, WorldPop)

Загруженные данные возвращаются в виде объектов SpatRaster или SpatVector пакета terra. Сам пакет geodata разработан Робертом Хиджмансом (Robert J. Hijmans), автором пакетов raster и terra.

🖥 Репозиторий пакета

#R #данные #сельхоз #погода #DEM

ForesToolboxRS

В пакете языка R ForesToolboxRS реализован метод обнаружения нарушений лесного покрова PVts-Beta.

Пакет позволяет работать с временными рядами, а также векторными, матричными и растровыми данными. Функции пакета предназначены для картирования обезлесения и деградации тропических лесов, но часть из них представляет собой универсальные инструменты для анализа данных дистанционного зондирования.

📖 Tarazona, Y., Zabala, A., Pons, X., Broquetas, A., Nowosad, J., & Zurqani, H. A. (2021). Fusing Landsat and SAR Data for Mapping Tropical Deforestation through Machine Learning Classification and the PVts-β Non-Seasonal Detection Approach. Canadian Journal of Remote Sensing, 47(5), 677–696. https://doi.org/10.1080/07038992.2021.1941823

Метод PVts-Beta основан на обнаружении изменений по временным рядам индекса Photosynthetic Vegetation (PV) fraction, который характеризует долю пикселя, покрытую фотосинтезирующей растительностью. Индекс предложен в работах Г. Аснера (Asner G.P) и его коллег, и опирается на разложение спектральной отражательной способности пикселя на три класса: фотосинтезирующей растительности, нефотосинтезирующей растительности и открытой земли.

Проблема в том, что сам PV в пакете не вычисляется. Для этого нужно запатентованное программное обеспечение CLASlite, разработанное тем же Аснером и Co. Его можно запросить у разработчиков и, возможно, если вы представляете научную организацию, они пойдут вам навстречу… Ну, или можно сделать все самому.

Из интересного в статье Tarazona et al. — метод слияния оптических (Landsat) и радарных (ALOS PALSAR и Sentinel-1B) спутниковых данных, основанный на методе главных компонент.

#R #лес

Репозиторий к семинару “Analyzing Remote Sensing Data with R”

Семинар “Analyzing Remote Sensing Data with R” состоялся в рамках конференции “eLTER Science Conference - 2025”, проходившей в Тампере (Финляндия). В Github-репозитории описаны шаги, которые нужно выполнить перед началом работы семинара, а также практические примеры, которые были там рассмотрены.

❗️ На семинаре используются данные из Copernicus DataSpace (CDSE).

👨🏻‍💻Примеры:

• Загрузка пакетов, настройка параметров
• Запрос каталога CDSE для поиска доступных изображений (пакет CDSE)
• Фильтрация результатов по уровню облачности, выбор снимка по идентификатору тайла Copernicus
• Перебор списка доступных снимков
• Вывод индекса MNDWI для каждой даты снимка
• Пороговый MNDWI для получения открытых водных поверхностей
• Построение временного ряда значений MNDWI
• Подготовка модели OPTRAM из списка доступных дат (пакет rOPTRAM*)
• Вывод влажности почвы для одной даты с использованием коэффициентов модели OPTRAM

📥 Скачать материалы семинара

*Пакет rOPTRAM реализует модель OPtical TRapezoid Model (OPTRAM) для определения влажности почвы на основе линейной зависимости между индексом растительности NDVI, и отражательной способностью почвы в диапазоне коротковолнового инфракрасного излучения (SWIR).

#R #софт #влажность

geocompx — ресурсы по геовычислениям на R, Python и Julia

Проект geocompx (https://geocompx.org) — это онлайн-площадка для сбора информации о методах анализа пространственных данных, моделирования и визуализации, а также о преподавании геовычислений с помощью программного обеспечения с открытым исходным кодом на нескольких языках программирования — R, Python, Julia и других.

Проект начался с онлайн-публикации книги “Geocomputation with R”, которая помогла создать сообщество студентов и специалистов. По мере роста интереса к другим языкам и кроссплатформенным подходам стала очевидной необходимость в более широком, не зависящем от языка подходе. Так и появился geocompx.

Среди участников сообщества — Robin Lovelace, Jakub Nowosad и Jannes Muenchow — все авторы “Geocomputation with R”

Благодарим за наводку Евгения Матерова, ведущего тг-канал “Наука и данные”.

#R #python #julia

Репозиторий к семинару “Analyzing Remote Sensing Data with R”

Семинар “Analyzing Remote Sensing Data with R” состоялся в рамках конференции “eLTER Science Conference - 2025”, проходившей в Тампере (Финляндия). В Github-репозитории описаны шаги, которые нужно выполнить перед началом работы семинара, а также практические примеры, которые были там рассмотрены.

❗️ На семинаре используются данные из Copernicus DataSpace (CDSE).

👨🏻‍💻Примеры:

• Загрузка пакетов, настройка параметров
• Запрос каталога CDSE для поиска доступных изображений (пакет CDSE)
• Фильтрация результатов по уровню облачности, выбор снимка по идентификатору тайла Copernicus
• Перебор списка доступных снимков
• Вывод индекса MNDWI для каждой даты снимка
• Пороговый MNDWI для получения открытых водных поверхностей
• Построение временного ряда значений MNDWI
• Подготовка модели OPTRAM из списка доступных дат (пакет rOPTRAM*)
• Вывод влажности почвы для одной даты с использованием коэффициентов модели OPTRAM

📥 Скачать материалы семинара

*Пакет rOPTRAM реализует модель OPtical TRapezoid Model (OPTRAM) для определения влажности почвы на основе линейной зависимости между индексом растительности NDVI, и отражательной способностью почвы в диапазоне коротковолнового инфракрасного излучения (SWIR).

#R #софт #влажность