-
Notifications
You must be signed in to change notification settings - Fork 18
/
11-ThematicMaps.qmd
817 lines (652 loc) · 52.3 KB
/
11-ThematicMaps.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
# Тематические карты {#mapping}
## Предварительные условия {#mapping_prerequisites}
Для выполнения кода данной лекции вам понадобятся следующие пакеты:
```{r, message=FALSE}
library(dplyr)
# Данные
library(readxl)
library(geodata)
library(WDI)
library(gapminder)
library(googlesheets4)
# Картография
library(sf)
library(stars)
library(tmap)
library(mapsf)
library(mapview)
library(classInt)
options(scipen = 999)
```
## Введение {#thematic_mapping_intro}
Тематические карты представляют собой важный инструмент географических исследований. Таблицы и графики не дают полного представления о пространственном распределении изучаемого явления. Это знание способна дать исследователю карта.
Разнообразие типов и видов карт достаточно велико. Комплексные картографические произведения, содержащие многослойный набор объектов, создаются, как правило, средствами геоинформационных пакетов. Такие карты требуют тщательной и кропотливой работы с легендой, устранения графических конфликтов между знаками, многократного редактирования входных данных, условий, фильтров и способов изображения в попытке достичь эстетичного и вместе с тем информативного результата.
В то же время, гораздо большее количество создаваемых в повседневной практике карт носят простой аналитический характер. Такие карты показывают одно, максимум два явления, и могут иллюстрировать входные данные, результаты промежуточных или итоговых расчетов. Создание именно таких карт целесообразно автоматизировать средствами программирования. В этом разделе мы познакомимся с созданием тематических карт средствами пакетов [**tmap**](https://cran.r-project.org/web/packages/tmap/index.html) **и [mapsf](https://cran.r-project.org/web/packages/mapsf/index.html)**.
## Данные Natural Earth
Для работы нам понадобятся слои базы данных Natural Earth. Загрузим их локально:
```{r}
ne = '/Volumes/Data/Spatial/Natural Earth/natural_earth_vector.gpkg'
countries = read_sf(ne, 'ne_110m_admin_0_countries')
coast = read_sf(ne, 'ne_110m_coastline')
ocean = read_sf(ne, 'ne_110m_ocean')
cities = read_sf(ne, 'ne_110m_populated_places')
rivers = read_sf(ne, 'ne_110m_rivers_lake_centerlines')
lakes = read_sf(ne, 'ne_110m_lakes')
land = read_sf(ne, 'ne_110m_land')
borders = read_sf(ne, 'ne_110m_admin_0_boundary_lines_land')
lyr = lst(ocean, land, coast, countries,
rivers, lakes, cities, borders)
```
### Данные WorldClim {#thematic_mapping_intro_wc}
[WorldClim](http://www.worldclim.org/) --- это открытые сеточные наборы климатических характеристик с пространственным разрешением от $30''$ (около 1 км) до $10'$ (около 20 км). Данные можно выгрузить в виде файлов GeoTiff, однако эту операцию можно сделать и программным путем через пакет [**geodata**](https://cran.r-project.org/web/packages/geodata/index.html) --- используя функцию `worldclim_global()`.
Выполним загрузку 10-минутного растра с суммарным количеством осадков за год:
```{r, cache=TRUE, fig.height=20, error=TRUE}
prec = geodata::worldclim_global(var = "prec", res = 10, path = 'data') |>
st_as_stars() # преобразуем в stars для удобства работы
plot(prec) # это 12-канальный растр
```
> Использовать программную загрузку целесообразно для небольших наборов данных. Если счет пошел на десятки мегабайт и выше, следует все-таки выкачать данные в виде файла и работать с ним.
Выполним трансформирование данных в [**проекцию Миллера**](https://proj4.org/operations/projections/mill.html). Для того чтобы карта не обрезалась по охвату растра (он не включает данные на Антарктиду), необходимо расширить его охват на весь земной шар. Для этого используем функцию `extend()` из пакета **raster**:
```{r, cache = TRUE}
precp = prec |>
st_warp(crs = "+proj=mill")
lyrp = lapply(lyr, st_transform, crs = "+proj=mill") # Цилиндрическая проекция Миллера
```
Визуализируем полученные данные на карте:
```{r}
# Визуализируем данные на январь:
plot(precp[,,,1],
main = 'Количество осадков в январе, мм',
reset = FALSE) # разрешаем добавлять объекты на карту.
plot(st_geometry(lyrp$ocean), border = 'steelblue',
col = 'lightblue', add = TRUE)
```
## Тематические карты в `tmap`
### Способы изображения {#thematic_mapping_tmap}
> В этом разделе изложение сосредоточено на параметрах способов изображения. Приведение легенд и компоновки карты в аккуратный вид рассматривается далее в разделе [Компоновка](#thematic_mapping_layout).
Пакет **tmap** предоставляет простой в использовании и достаточно мощный механизм формирования тематических карт. Шаблон построения карты в этом пакете напоминает *ggplot* и выглядит следующим образом:
```{r eval=FALSE}
tm_shape(<DATA>) +
tm_<METHOD>(<PARAMETERS>)
```
где:
- `DATA` - объект пространственного типа (`sf`, `sp`, `stars` или `raster`)
- `METHOD` - метод визуализации этого объекта (способ изображения)
- `PARAMETERS` - параметры метода
### Векторные данные {#thematic_mapping_vectors}
Для реализации качественного и количественного фона, а также картограмм используется метод `tm_polygons()`. Он автоматически определяет тип переменной и строит соответствующую шкалу:
```{r}
tm_shape(lyrp$countries) +
tm_polygons('ECONOMY') + # качественная переменная
tm_shape(lyrp$ocean)+
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue')
```
**Количественный фон** или **картограммы** получаются при картографировании числового показателя применением той же функции `tm_polygons()`:
```{r, cache=TRUE}
lifexp = WDI::WDI(indicator = 'SP.DYN.LE00.IN')
gap = read_excel('data/gapminder.xlsx', 2)
lifedf = left_join(gap,
filter(lifexp, year == 2016),
by = c('name' = 'country')) |>
rename(lifexp = SP.DYN.LE00.IN) |>
mutate(geo = stringr::str_to_upper(geo))
coun = lyrp$countries |>
left_join(lifedf, by = c('ADM0_A3' = 'geo'))
tm_shape(coun) +
tm_polygons('lifexp', border.col = 'gray20') + # количественная переменная
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue4')
```
Для реализации способа **картодиаграмм** используется геометрия `tm_bubbles()`. Чтобы оставить отображение границ полигонов, нам необходимо к одной геометрии применить несколько способов изображения:
```{r}
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue') +
tm_shape(lyrp$countries) +
tm_fill(col = 'white') +
tm_borders(col = 'grey') +
tm_bubbles('GDP_MD_EST',
scale = 3,
col = 'red',
alpha = 0.5) # количественная переменная
```
Аналогичным образом реализуется **значковый способ** применительно к объектам, локализованным по точкам. Картографируем численность населения по крупнейшим городам:
```{r}
tm_shape(lyrp$countries) +
tm_fill(col = 'white') +
tm_borders(col = 'grey') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue') +
tm_shape(lyrp$cities) +
tm_bubbles('POP2015', col = 'olivedrab', alpha = 0.8)
```
**Надписи** объектов на карте размещаются с помощью функции `tm_text`. Данная функция содержит весьма полезные параметры `remove.overlap` и `auto.placement`, которые позволяют убрать перекрывающиеся подписи и автоматически разместить из вокруг точек так, чтобы уменьшить перекрытия с самими знаками и другими подписями. Дополним предыдущую карту названиями городов:
```{r}
tm_shape(lyrp$countries) +
tm_fill(col = 'white') +
tm_borders(col = 'grey') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue') +
tm_shape(lyrp$cities) +
tm_bubbles('POP2015', col = 'olivedrab', alpha = 0.8) +
tm_text('name_ru', size = 0.5, remove.overlap = TRUE, auto.placement = TRUE)
```
### Растровые данные {#thematic_mapping_rasters}
При отображении растровых данных используется способ отображения `tm_raster()`. В случае отображения количественных растров Параметр `breaks` определяет границы интервалов, для которых будут использованы цвета, взятые из параметра `palette`:
```{r}
# box = st_bbox(c(xmin = -180, xmax = 180, ymax = 90, ymin = -90), crs = st_crs(4326))
ramp = colorRampPalette(c('white', 'darkcyan'))
tm_shape(precp[,,,1]) +
tm_raster('prec1',
breaks = c(0, 50, 100, 200, 500, 1000),
palette = ramp(5)) +
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue')
```
Растровые данные могут хранить и качественную информацию: например, тип почв или вид землепользования. В качестве примера визуализируем типы земельного покрова (land cover) из растрового стека `land`, который есть в пакете **tmap**. Цвета здесь выбираются автоматически, их настройка рассматривается в следующем параграфе:
```{r}
data(land, package = 'tmap')
tm_shape(land) +
tm_raster('cover')
```
### Цветовые шкалы {#thematic_color_scales}
Для изменения цветовой шкалы при определении способа изображения вы можете определить параметр `palette`. Пакет **tmap** позволяет работать с цветовыми палитрами *Color Brewer* или задавать цвета вручную. Очень удобным инструментом подбора шкалы является функция `palette_explorer()` из пакета **tmaptools**. При вызове функции открывается интерактивное приложение, позволяющее менять настройки цветовых палитр:
```{r, eval=FALSE}
tmaptools::palette_explorer()
```
![Приложение Palette Explorer из пакета **tmaptools**](images/palette_explorer.png)
Данных палитр хватит для решения большинства задач по картографической визуализации. Применим категориальную палитру *Dark2*:
```{r}
tm_shape(lyrp$countries) +
tm_polygons('ECONOMY', palette = 'Dark2') + # качественная переменная
tm_shape(lyrp$ocean)+
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue')
```
Для количественного показателя (количество осадков) применим палитру *PuBuGn*:
```{r, cache = TRUE}
tm_shape(precp[,,,1]) +
tm_raster('prec1',
breaks = c(10, 50, 100, 200, 500, 1000),
palette = 'PuBuGn') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue')
```
Вы всегда можете, конечно, определить цвета вручную. В этом случае их количество должно совпадать с количеством интервалов классификации:
```{r}
tm_shape(precp[,,,1]) +
tm_raster('prec1',
breaks = c(10, 50, 100, 200, 500, 1000),
palette = c('white', 'gray80', 'gray60', 'gray40', 'gray20')) +
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue')
```
Для категориальных данных необходимо тщательно подбирать цвета, стандартные шкалы тут могут не подойти (более подробно о шкалах --- далее). Для вышеприведенного примера с растром типов земельного покрова можно подобрать следующие цвета:
```{r}
pal = c("#003200", "#3C9600", "#006E00", "#556E19", "#00C800", "#8CBE8C",
"#467864", "#B4E664", "#9BC832", "#EBFF64", "#F06432", "#9132E6",
"#E664E6", "#9B82E6", "#B4FEF0", "#646464", "#C8C8C8", "#FF0000",
"#FFFFFF", "#5ADCDC")
tm_shape(land) +
tm_raster('cover', palette = pal)
```
### Классификация {#thematic_mapping_class}
#### Методы классификации {#thematic_mapping_class_methods}
Классификация данных --- важнейший этап картографирования, который во многом определяет, как данные будут представлены на карте и какие географические выводы читатель сделает на ее основе. Существует множество методов классификации числовых рядов. Классифицировать данные автоматически можно с помощью функции `classIntervals()` из пакета `classInt`. Наберите в консоли `?classInt` чтобы прочитать справку о методах классификации.
Посмотрим несколько методов классификации. Первый параметр функции `classInt` --- это числовой ряд. Число классов следует передать в параметр `n =`, метод классификации указывается в параметре `style =`.
Для начала попробуем метод равных интервалов, который просто делит размах вариации (диапазон от минимума до максимум) на $n$ равных интервалов. Функция `plot()` применительно к созданной классификации рисует замечательный график, на котором показаны границы классов и эмпирическая функция распределения показателя. В параметр `pal` можно передать цветовую палитру:
```{r, collapse=TRUE}
# Запишем число классов в переменную
nclasses = 5
intervals = classIntervals(countries$POP_EST,
n = nclasses,
style = "equal")
# извлечь полученные границы можно через $brks
intervals$brks
plot(intervals, pal = ramp(nclasses), cex=0.5, main = "Равные интервалы MIN/MAX")
```
Созданные интервалы хоть и равны, но не аккуратны. Зато метод классификации `"pretty"` создает также равные интервалы, но может слегка расширить диапазон или добавить 1 класс, чтобы получить границы интервалов, округленные до целых чисел:
```{r, collapse=TRUE}
intervals = classIntervals(countries$POP_EST,
n = nclasses,
style = "pretty")
intervals$brks
plot(intervals, pal = ramp(nclasses), cex=0.5, main = "Округленные равные интервалы")
```
Квантили --- равноколичественные интервалы. В каждом классе содержится одинаковое число объектов:
```{r, collapse=TRUE}
intervals = classIntervals(countries$POP_EST, n = nclasses, style = "quantile")
intervals$brks
plot(intervals, pal = ramp(nclasses),
cex=0.5, main = "Квантили (равноколичественные)")
```
Метод "естественных интервалов", или метод Фишера-Дженкса позволяет найти классы, максимально однородные внутри и при этом максимально отличающиеся друг от друга:
```{r, collapse=TRUE}
intervals = classIntervals(countries$POP_EST, n = nclasses, style = "jenks")
intervals$brks
plot(intervals, pal = ramp(nclasses), cex=0.5, main = "Естественные интервалы")
```
#### Применение на картах {#thematic_mapping_class_application}
Чтобы использовать заранее вычисленные интервалы классификации, их необходимо подать в параметр `breaks` при построении карты:
```{r}
brks = classIntervals(countries$POP_EST,
n = 7,
style = "jenks")$brks
tm_shape(lyrp$countries) +
tm_polygons('POP_EST',
border.col = 'gray20',
palette = 'YlGn',
breaks = brks) + # количественная переменная
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue4')
```
Аналогичным путем работают шкалы для растровых данных:
```{r}
tm_shape(precp[,,,1]) +
tm_raster('prec1',
breaks = classIntervals(sample(precp[,,,1][[1]], 1000), n = 5, style = "jenks", na.rm = TRUE)$brks,
palette = 'PuBuGn') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue')
```
> Учтите, что метод естественных интервалов --- ресурсоемкий в вычислительном плане. Поэтому если вы хотите с его помощью классифицировать растровые данные, целесообразно сделать выборку не более чем из нескольких тысяч пикселов. Иначе придется долго ждать.
Для классификации естественными интервалами сделаем выборку в 2 000 значений с растра c помощью функции `sampleRandom()` из пакета **raster**:
```{r}
smpl = sample(precp[,,,1][[1]], 2000)
tm_shape(precp[,,,1]) +
tm_raster('prec1',
breaks = classIntervals(smpl, n = 5, style = "jenks")$brks,
palette = 'PuBuGn') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue')
```
### Классификация при отображении
Пакет **tmap** позволяет выполнять классификацию данных непосредственно при отображении. Это бывает удобно, когда одну и ту же классификацию не надо использовать несколько раз, и когда нет необходимости делать выборку значений (как в случае метода естественных интервалов). Для этого функции способов изображения предлагают несколько параметров:
- `n` --- количество классов
- `style` --- метод классификации (так же как и в `classIntervals()`)
- `breaks` --- значения границ интервалов (необходимы, если `style == fixed`)
- `interval.closure` --- замыкание интервала (по умолчанию стоит `left`, что означает, что в интервал включается нижняя граница, за исключением последнего интервала, включающего и нижнюю и верхнюю границу)
- `midpoint` --- нейтральное значение, которое используется для сопоставления с центральным цветом в расходящихся цветовых палитрах
Построим карту продолжительности жизни, используя классификацию при отображении:
```{r}
tm_shape(lyrp$countries) +
tm_polygons('POP_EST',
palette = 'YlGn',
n = 5,
style = 'fisher',
border.col = 'gray20') + # количественная переменная
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue4')
```
Установка средней точки при классификации оказывается очень полезной в тех случаях, когда данные являются биполярными. Покажем это на примере данных WorldClim по температуре:
```{r, cache = TRUE}
temp = geodata::worldclim_global(var = "tavg", res = 10,
path = 'data') |>
st_as_stars() |>
rename(tavg = 1) |>
st_warp(crs = "+proj=mill")
```
Визуализируем данные по температуре, используя классическую красно-бело-синюю палитру *RdBu* и нейтральную точку 0 градусов по Цельсию. По умолчанию в данной палитре красный цвет соответствует малым значениям. пакет **tmap** позволяет инвертировать цвета палитры, добавив знак минус перед ее названием. Помимо этого, для размещения положительных значений наверху выполним обратную сортировку элементов легенды, используя параметр `legend.reverse = TRUE`:
```{r}
tm_shape(temp[,,,3]) +
tm_raster('tavg',
n = 11,
midpoint = 0,
style = 'pretty',
legend.reverse = TRUE,
palette = '-Spectral') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue')
```
### Пропущенные данные {#thematic_mapping_na}
Весьма важно отметить на карте области, для которых данные отсутствуют. Вы могли обратить внимание, что для способов изображения, применимых к векторным данным, *tmap* автоматически добавляет класс легенды, который отвечает за пропуски. Для растров, однако, он это не делает. Чтобы принудительно вывести в легенду и на карту символ, отвечающий за пропущенные значения, необходимо определить параметр `colorNA`. Обычно, в зависимости от цветовой палитры легенды, для этого используют серый или белый цвет:
```{r}
tm_shape(temp[,,,1]) +
tm_raster('tavg',
colorNA = 'grey', # определяем цвет для пропущенных значений
n = 11,
midpoint = 0,
style = 'pretty',
legend.reverse = TRUE,
palette = '-RdBu') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue')
```
### Компоновка {#thematic_mapping_layouts}
Пакет **tmap** предоставляет широкий набор настроек компоновки картографического изображения, который включает настройку легенды, заголовка карты и ряда других важных параметров. Большинство настроек компоновки осуществляется через функцию `tm_layout()`, однако часть из них, специфичная для конкретного слоя, определяется непосредственно при настройке способа изображения.
В примере ниже показано, как:
- добавить заголовок карты (`main.title`),
- разместить легенду в нижнем левом углу (`legend.position = c('left', 'bottom')`)
- поместить ее легенду в полупрозрачный прямоугольник (параметры `legend<...>`),
- убрать заголовок легенды (`title`),
- заменить стандартный шрифт на *Open Sans* (`fontfamily`):
```{r}
tm_shape(lyrp$countries) +
tm_polygons('ECONOMY', title = '') + # убираем заголовок легенды
tm_shape(lyrp$ocean)+
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue') +
tm_layout(legend.position = c('left', 'bottom'),
fontfamily = 'PT Sans', # шрифт
main.title.size = 1.2, # масштаб шрифта в заголовке
main.title = 'Тип экономики', # заголовок
legend.frame = TRUE, # рамка вокруг легенды
legend.frame.lwd = 0.2, # толщина рамки вокруг легенды
legend.bg.alpha = 0.8, # прозрачность фона в легенде
legend.bg.color = 'white') # цвет фона легенды
```
Для того чтобы определить заголовок легенды размера значка или диаграммы, необходимо задать параметр `title.size`. Помимо этого, легенду можно пристыковать непосредственно к рамке карты, если задать значения параметра `legend.position` в верхнем регистре:
```{r}
tm_shape(lyrp$ocean) +
tm_fill(col = 'lightblue') +
tm_borders(col = 'steelblue') +
tm_shape(lyrp$countries) +
tm_fill(col = 'white') +
tm_borders(col = 'grey') +
tm_bubbles('GDP_MD_EST',
scale = 2.5,
col = 'red',
alpha = 0.5,
title.size = '$ млн') + # количественная переменная
tm_layout(legend.position = c('LEFT', 'BOTTOM'), # верхний регистр — легенда встык
fontfamily = 'Open Sans', # шрифт
main.title.size = 1.2, # масштаб шрифта в заголовке
main.title = 'Валовый внутренний продукт стран мира', # заголовок
frame.lwd = 2,
legend.frame = TRUE, # рамка вокруг легенды
legend.frame.lwd = 0.5, # толщина рамки вокруг легенды
legend.bg.color = 'white') # цвет фона легенды
```
По умолчанию **tmap** размещает легенду внутри фрейма картографического изображения. Однако ее можно вынести и наружу, используя параметр `legend.outside` функции `tm_layout()`. В примере ниже показано также, как можно
- задать текст легенды для отсутствующих данных (`textNA`),
- отформатировать разделитель в легенде с интервалами значений (`legend.format`),
- убрать рамку карты (`frame`),
- сдвинуть заголовок вдоль строки, выровняв его с центром карты (`main.title.position`):
```{r}
tm_shape(lyrp$countries) +
tm_polygons('POP_EST',
border.col = 'gray20',
palette = 'YlGn',
n = 4,
style = 'jenks',
title = 'Чел.',
colorNA = 'lightgray',
textNA = 'Нет данных',
legend.format = list(text.separator = '—')) + # количественная переменная
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue4') +
tm_layout(frame = FALSE,
main.title.position = 0.5,
legend.outside = TRUE,
legend.outside.position = 'right',
fontfamily = 'Open Sans',
main.title.size = 1.2,
main.title = 'Численность населения',
legend.bg.color = 'white')
```
Для отображения **координатной сетки** вы можете использовать функцию `tm_grid()`. По умолчанию она строит координатную сетку в единицах измерения проекции. Однако если требуется градусная сетка, то ее можно определить, используя параметр `projection = 4326`:
```{r}
tm_shape(temp[,,,1]) +
tm_raster('tavg',
title = '°C',
colorNA = 'grey', # определяем цвет для пропущенных значений
textNA = 'Нет данных',
legend.format = list(text.separator = '—'),
n = 11,
midpoint = 0,
style = 'pretty',
legend.reverse = TRUE,
palette = '-RdBu') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue') +
tm_layout(legend.position = c('left', 'bottom'),
fontfamily = 'Open Sans',
main.title.size = 1.2,
main.title = 'Средняя температура января',
legend.frame = TRUE,
legend.frame.lwd = 0.2,
legend.bg.alpha = 0.5,
legend.bg.color = 'white') +
tm_graticules(x = seq(-150, 150, by = 30),
y = seq(-60, 60, by = 30),
lwd = 0.2,
col = "black")
```
Подписи сетки координат можно добавить и для более сложных проекций, однако располагаться они будут по-прежнему вдоль осей *X* и *Y*. В примере ниже также показано как можно увеличить расстояние между заголовком и картой, определив более крупный отступ от верхней стороны в параметре `inner.margins`:
```{r}
tm_shape(coun, projection = '+proj=moll') +
tm_polygons('lifexp',
palette = 'YlGn',
n = 4,
style = 'jenks',
border.col = 'gray20',
title = 'Лет',
colorNA = 'lightgray',
textNA = 'Нет данных',
legend.reverse = TRUE,
legend.format = list(text.separator = '—')) + # количественная переменная
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue4') +
tm_layout(frame = FALSE,
main.title.position = 0.22,
legend.outside = TRUE,
legend.outside.position = 'right',
fontfamily = 'Open Sans',
main.title.size = 1.2,
main.title = 'Продолжительность жизни',
legend.bg.color = 'white',
outer.margins = c(0.02, 0.05, 0.02, 0.02),
inner.margins = c(0.02, 0.02, 0.07, 0.02)) +
tm_graticules(x = seq(-150, 150, by = 30),
y = seq(-60, 60, by = 30),
lwd = 0.2,
col = "black")
```
### Фасеты и серии карт {#thematic_mapping_facets}
Фасетная компоновка предполагает, упорядочение элементов в матричной форме на одной странице. Как правило, картографические фасеты идентичны по содержанию, но показывают одно и то же явление при различных заданных условиях: за разные года, по разным странам и т.д. Создание фасет с помощью **tmap** осуществляется с помощью специальной функции `tm_facets()`, которой необходимо передать название переменной, отвечающей за разделение. В свою очередь, это означает, что данные должны быть приведены к «длинной» форме (если информация за разные года содержится в разных столбцах, то нужно год записать в отдельную переменную). Здесь вам пригодится знание пакета **tidyr**.
Рассмотрим создание фасет на примере данных Gapminder по средней продолжительности жизни c 1960 по 2010 г:
```{r, cache=TRUE}
lifexp_dec = lifexp |>
filter(year %in% c(1960, 1970, 1980, 1990, 2000, 2010))
lifedf_dec = left_join(gap, lifexp_dec, by = c('name' = 'country')) |>
rename(lifexp = SP.DYN.LE00.IN) |>
mutate(geo = stringr::str_to_upper(geo))
coun_dec = lyrp$countries |>
left_join(lifedf_dec, by = c('ADM0_A3' = 'geo'))
```
Создадим серию карт за разные года:
```{r, fig.height = 10, fig.width=7}
tm_shape(coun_dec) +
tm_polygons('lifexp',
palette = 'YlGnBu',
n = 3,
style = 'pretty',
border.col = 'gray20',
title = 'Лет',
colorNA = 'lightgray',
textNA = 'Нет данных',
legend.reverse = TRUE,
legend.format = list(text.separator = '—')) + # количественная переменная
tm_facets(by = 'year',
free.coords = FALSE,
drop.units = TRUE,
drop.NA.facets = TRUE,
ncol = 2) +
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue4') +
tm_layout(frame = FALSE,
legend.outside = TRUE,
legend.outside.position = 'bottom',
fontfamily = 'Open Sans',
main.title.size = 1.2,
main.title = 'Средняя продолжительность жизни',
legend.bg.color = 'white',
outer.margins = c(0.02, 0.1, 0.02, 0.02),
inner.margins = c(0.02, 0.02, 0.07, 0.02))
```
Фасетные карты по растровым данным в настоящий момент не поддерживаются в пакете **tmap**, но вы можете создать их, используя функцию `tmap_arrange()`, которая принимает на вход список из карт **tmap** и упорядочивает их в фасетной компоновке.
В примере ниже показано, как:
- вычислить равноступенную шкалу, единую для всех карт --- используя максимум и минимум по всем растрам из стека, а также функцию `fullseq()` из пакета [**scales**](https://cran.r-project.org/web/packages/scales/index.html), заведомо накрывающую указанный диапазон значений интервалами заданного размера.
- применить функционал `map2()`из пакета [**purrr**](https://purrr.tidyverse.org/) (входит в **tidyverse**) для одновременной итерации по двум спискам: названий растров в стеке (`X`) и названий месяцев (`Y`), которые нужны для формирования заголовков
- упорядочить карты по регулярной сетке с двумя столбцами и полями отступа каждой фасеты (параметр `outer.margins`), используя `tmap_arrange()`
```{r, fig.height = 25, fig.width = 11, cache = TRUE}
minval = min(temp[[1]], na.rm = TRUE)
maxval = max(temp[[1]], na.rm = TRUE)
brks = scales::fullseq(c(minval, maxval), 10)
months = c('Январь', 'Февраль', 'Март', 'Апрель',
'Март', 'Июнь', 'Июль', 'Август',
'Сентябрь', 'Октябрь', 'Ноябрь', 'Декабрь')
tm_shape(temp) +
tm_raster('tavg',
title = '°C',
colorNA = 'grey', # определяем цвет для пропущенных значений
textNA = 'Нет данных',
legend.format = list(text.separator = '—'),
breaks = brks,
midpoint = 0,
style = 'fixed',
legend.reverse = TRUE,
palette = '-RdBu') +
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue') +
tm_layout(legend.position = c('LEFT', 'BOTTOM'),
fontfamily = 'Open Sans',
main.title.size = 1.2,
main.title = 'Среднемесячная температура',
legend.frame = TRUE,
legend.frame.lwd = 0.2,
legend.bg.alpha = 0.8,
legend.bg.color = 'white',
inner.margins = c(0, 0, 0, 0)) +
tm_graticules(x = seq(-150, 150, by = 30),
y = seq(-60, 60, by = 30),
lwd = 0.2,
col = "black")
# tmap_arrange(maps, asp = NA, ncol = 2,
# outer.margins = 0.05)
```
### Картографические анимации {#thematic_mapping_animations}
Картографические анимации вы пакете **tmap** создаются путем следующей последовательности действий:
1. Добавить в построение карты функцию `tm_facets(along = "name")`, где `name` --- название атрибута, значения которого отвечают за каждый кадр анимации.
2. Записать созданную карту в переменную (условно назовем ее `map`).
3. Вызвать для созданной переменной функцию `tmap_animation(map, filename = "filename.gif", delay = 25)`, определив имя файла и задержку в миллисекундах между кадрами.
> **Внимание:** для того чтобы работало построение анимаций средствами **tmap**, на вашем компьютере должна быть установлена библиотека [**ImageMagick**](https://www.imagemagick.org/).
Для примера построим анимацию по данным изменения средней продолжительности жизни:
```{r, eval = FALSE}
map = tm_shape(coun_dec) +
tm_polygons('lifexp',
palette = 'YlGnBu',
n = 3,
style = 'pretty',
border.col = 'gray20',
title = 'Лет',
colorNA = 'lightgray',
textNA = 'Нет данных',
legend.reverse = TRUE,
legend.format = list(text.separator = '—')) + # количественная переменная
tm_facets(along = 'year',
free.coords = FALSE,
drop.units = TRUE) +
tm_shape(lyrp$ocean) +
tm_fill(col = 'azure') +
tm_borders(col = 'steelblue4')
tmap_animation(map, 'images/lifexp.gif', delay = 100)
```
![](images/lifexp.gif)
### Интерактивные карты {#thematic_mapping_interactive}
Любую карту tmap можно перевести в интерактивный режим с помощью функции `tmap_mode()` с параметром `'view'`. Управлять дополнительными параметрами, специфичными для интерактивного режима, можно используя функцию `tm_view()`. В частности, можно установить координаты центра карты и масштабный уровень в параметре `set.view` и ограничить диапазон масштабных уровней в параметре `set.zoom.limits`. Состав полей, значения которых отображаются во всплывающем окне при щелчке на символе, определяются параметром `popup.vars`:
```{r}
tmap_mode('view')
tmap_options(check.and.fix = TRUE)
sf::sf_use_s2(FALSE)
tm_shape(coun) +
tm_polygons('lifexp',
border.col = 'gray20',
palette = 'YlGn',
n = 4,
style = 'jenks',
title = 'Лет',
colorNA = 'lightgray',
textNA = 'Нет данных',
legend.format = list(text.separator = '—'),
popup.vars = c('SOVEREIGNT', 'lifexp')) + # поля для всплывающего окна
tm_view(set.view = c(20, 45, 2), # центр карты и масштабный уровень
set.zoom.limits = c(1, 4))
```
Чтобы добавить карту-подложку, необходимо предварительно вызвать функцию `tm_basemap()`, передав ей название картографического сервиса. В примере ниже также показано, как можно сделать размер кружка постоянным во всех масштабах (параметр `symbol.size.fixed`):
```{r}
tmap_mode('view')
tmap_options(check.and.fix = TRUE)
coun = coun |> mutate(GDP_SCALED = round(0.001 * GDP_MD_EST))
tm_basemap("OpenStreetMap") +
tm_shape(coun) +
tm_borders(col = 'black', alpha = 0.5, lwd = 0.3) +
tm_shape(st_point_on_surface(coun)) + # делаем точки, чтобы диаграммы были точно внутри
tm_bubbles('GDP_SCALED',
scale = 3,
col = 'violetred',
alpha = 0.5,
popup.vars = c('SOVEREIGNT', 'GDP_SCALED')) +
tm_text('GDP_SCALED', size = 'GDP_SCALED',
remove.overlap = TRUE,
size.lowerbound = 0.2,
scale = 2) +
tm_view(set.view = c(20, 45, 3),
set.zoom.limits = c(2, 4),
symbol.size.fixed = TRUE,
text.size.variable = TRUE)
```
## Тематические карты в `mapsf`
Пакет mapsf предлагает альтернативный подход к составлению
## Краткий обзор {#tmaps_review}
Для просмотра презентации щелкните на ней один раз левой кнопкой мыши и листайте, используя кнопки на клавиатуре:
```{r, echo=FALSE}
knitr::include_url('https://tsamsonov.github.io/r-geo-course-slides/11_ThematicMaps.html#1', height = '390px')
```
> Презентацию можно открыть в отдельном окне или вкладке браузере. Для этого щелкните по ней правой кнопкой мыши и выберите соответствующую команду.
## Контрольные вопросы и упражнения {#questions_tasks_tmap}
### Вопросы {#questions_tmap}
1. Опишите шаблон построения тематической карты средствами **tmap**. Что из себя представляют его три основные компоненты?
2. Могут ли на одной тематической карте комбинироваться пространственные данные в разных проекциях?
3. Перечислите названия функций, отвечающих за отображение полигонов, линий и окружностей средствами tmap.
4. Чему должно быть равно значение параметра `col` при отображении одноканального растра в случае если классификация и цвета определяются посредством параметров `breaks` и `palette`?
5. Опишите порядок использования функции `classIntervals()` и ее основные параметры.
6. Перечислите методы классификации, доступные в `classIntervals()`, а также принципы и работы. Какой из методов наиболее трудоемок в вычислительном плане?
7. В каком соотношении должно быть количество граничных классов и количество цветов при классификации?
8. График какой функции отображается при вызове функции `plot()` применительно к результату выполнения `classIntervals()`?
9. Какие возможности существуют для применения классификации при построении карт средствами tmap? Обязательно ли заранее определять количество классов? В каком случае это может быть полезно.
10. Как можно изменить порядок размещения элементов легенды в tmap?
11. Опишите возможности управления расположением и внутренним форматированием легенды средствами tmap.
12. С помощью какой функции можно построить координатную сетку на карте tmap?
13. Как добавить значки градусов в подписи выходов сетки координат на карте tmap?
14. Какие параметры позволяют управлять внешними и внутренними полями карты tmap?
15. Опишите последовательность действий, которую необходимо реализовать для построения фасетной карты средствами tmap. Как можно реализовать построение таких карт на основе растровых данных?
16. Опишите последовательность действий, которую необходимо реализовать для построения картографических анимаций средствами tmap. Какая библиотека должна быть установлена для этого на компьютере пользователя?
17. Каким образом можно перевести отображение карт tmap в интерактивный режим? А обратно в статичный?
18. Расскажите, что вы знаете о данных Natural Earth. На каком сайте они размещены? Сколько существует масштабных уровней? В каких форматах доступны данные? Как получить доступ к ним программным путем непосредственно из среды R?
### Упражнения {#tasks_tmap}
1. Используя возможности пакетов **rnaturalearth** и **tmap**, создайте карту мира, в которой страны раскрашены в соответствии с континентом (переменная *continent*). Визуализируйте ее в статичном и интерактивном режиме.
2. Скачайте базу данных на территорию Сатинского полигона МГУ. Изучите содержимое базы данных и постройте на основе этих данных серию тематических карт в проекции UTM средствами пакета **tmap**.
3. Скачайте [цифровую модель рельефа GEBCO](https://github.com/tsamsonov/r-geo-course/blob/master/data/world/gebco.tif). Используя слои `ocean` и `land` из масштаба `110` данных Natural Earth, разделите ее на два растра, отвечающих за рельефа суши и моря соответственно. Подберите для них классификации и создайте физическую карту мира, которая будет содержать помимо рельефа также основные объекты гидрографии.
4. Выполните выборку стран из набора данных *Natural Earth* масштаба $50$ на Европейский континент. Трансформируйте данные о странах в коническую равнопромежуточную проекцию. Визуализируйте численность населения по странам (переменная *pop_est*) способом картодиаграмм. Добавьте на карту реки, озера и города, используя возможности `ne_download()`.
| |
|------------------------------------------------------------------------|
| *Самсонов Т.Е.* **Визуализация и анализ географических данных на языке R.** М.: Географический факультет МГУ, `lubridate::year(Sys.Date())`. DOI: [10.5281/zenodo.901911](https://doi.org/10.5281/zenodo.901911) |