การแปลงข้อมูลจุดเป็นดาต้าเฟรมที่ถูกต้องสำหรับการวิเคราะห์ฮิสโตแกรมโดยใช้ R?

ฉันใหม่มากที่ใช้ข้อมูล GIS และมีประสบการณ์เพียงเล็กน้อยกับ R. ฉันได้อ่านเกี่ยวกับวิธีการวิเคราะห์ข้อมูลเชิงพื้นที่โดยใช้หนังสือ PDF spatial-analyst.net ดังนั้นฉันจึงไม่หลงทาง แต่ฉันคิดว่าฉันสามารถอธิบายได้ ปัญหาของฉันและผู้คนอาจแนะนำแนวคิด

ฉันมีชุดข้อมูลที่มีการวัดประมาณ 2,000 ชุดที่พิกัดละติจูด / ลองจิจูดที่แตกต่างกันถึงแม้ว่าฉันอาจจะแบ่งชุดข้อมูลนี้ออกเนื่องจากมีการรวบรวมข้อมูลมากกว่า 3 ปีและมีการเปลี่ยนแปลงเงื่อนไขเมื่อเวลาผ่านไป ลองเรียกตัวแปรที่วัดว่า "IP"

ฉันต้องการสร้างแผนที่ IP ในพื้นที่เต็มรูปแบบภายใต้คำถามโดยใช้ Kriging หรือวิธีการแก้ไขอื่น ๆ ในข้อมูลตัวอย่าง จากนั้นฉันต้องการสร้างฮิสโตแกรมที่วัดปริมาณที่ดินในถังเก็บไอพีแบบต่างๆ ฉันจะต้องสร้างฮิสโตแกรมซึ่งแสดงจำนวนตัวอย่างในถังแต่ละอัน (หมายเหตุตัวอย่างอาจมี IP จริงที่สูงกว่าหรือต่ำกว่าสิ่งที่ kriging คาดการณ์ไว้สำหรับที่ดินของตน)

ฉันติดตามวิธีการโหลดข้อมูลลงใน SpatialPointsDataFrame และเรียกใช้การวิเคราะห์ที่น่าสนใจซึ่งฉันมีปัญหาคือวิธีการแปลงข้อมูลนั้นเป็นดาต้าเฟรมที่มี gridded เพื่อให้ฉันสามารถวิเคราะห์ฮิสโตแกรมได้

มีข้อเสนอแนะสำหรับการแปลงคะแนนเป็นกริดหรือไม่?

คุณพูดถูก ... มันค่อนข้างง่าย! แพ็คเกจ "แรสเตอร์" มีวิธีการที่ค่อนข้างตรงไปตรงมาในการจัดการและสร้างแรสเตอร์

library(maptools)
library(raster)

# Load your point shapefile (with IP values in an IP field):
pts <- readShapePoints("pts.shp")

# Create a raster, give it the same extent as the points
# and define rows and columns:

rast <- raster()
extent(rast) <- extent(pts) # this might be unnecessary
ncol(rast) <- 20 # this is one way of assigning cell size / resolution
nrow(rast) <- 20

# And then ... rasterize it! This creates a grid version 
# of your points using the cells of rast, values from the IP field:
rast2 <- rasterize(pts, rast, pts$IP, fun=mean) 

คุณสามารถกำหนดขนาดกริดและความละเอียดได้หลายวิธี - ดูที่เอกสารประกอบชุด raster

ค่าของเซลล์แรสเตอร์จากการแรสเตอร์สามารถคำนวณได้ด้วยฟังก์ชั่น - 'mean' ในตัวอย่างด้านบน ตรวจสอบให้แน่ใจว่าคุณใส่สิ่งนี้ใน: มิฉะนั้นจะใช้ค่าของ IP จากจุดสุดท้ายที่มันเจอ!

จาก CSV:

pts <- read.csv("IP.csv")
coordinates(pts) <- ~lon+lat
rast <- raster(ncol = 10, nrow = 10)
extent(rast) <- extent(pts)
rasterize(pts, rast, pts$IP, fun = mean)

แพคเกจ plotKML vect2rastมีฟังก์ชั่นที่เรียกว่า ฟังก์ชั่นนี้จะขยายrasterizeฟังก์ชั่นที่มีอยู่ในแพ็คเกจแรสเตอร์โดยทั่วไป ข้อดีของvect2rast; อย่างไรก็ตามคือมันไม่จำเป็นต้องมีการป้อนข้อมูลจากด้านของผู้ใช้นั่นคือมันจะกำหนดขนาดของเซลล์กริดและกล่องขอบเขตโดยอัตโนมัติตามคุณสมบัติของชุดข้อมูลอินพุต ขนาดของเซลล์กริดนั้นประมาณจากความหนาแน่น / ขนาดของคุณสมบัติในแผนที่ ( nndistฟังก์ชั่นในแพคเกจ spatstat)

library(plotKML)
Rast2 <- vect2rast(pts)

# for large data sets use SAGA GIS:
Rast2 <- vect2rast(pts, method = "SAGA")