Rএলোমেলো বৃষ্টিপাতের ডেটা ব্যবহার করে আমার নিজের সমাধান যুক্ত করুন
library(tidyverse)
library(sp) # for coordinates, CRS, proj4string, etc
library(gstat)
library(maptools)
# Coordinates of gridded precipitation cells
precGridPts <- ("ID lat long
1 46.78125 -121.46875
2 46.84375 -121.53125
3 46.84375 -121.46875
4 46.84375 -121.40625
5 46.84375 -121.34375
6 46.90625 -121.53125
7 46.90625 -121.46875
8 46.90625 -121.40625
9 46.90625 -121.34375
10 46.90625 -121.28125
11 46.96875 -121.46875
12 46.96875 -121.40625
13 46.96875 -121.34375
14 46.96875 -121.28125
15 46.96875 -121.21875
16 46.96875 -121.15625
")
# Read precipitation cells
precGridPtsdf <- read.table(text = precGridPts, header = TRUE)
একটি এসপি অবজেক্টে রূপান্তর করুন
sp::coordinates(precGridPtsdf) <- ~long + lat # longitude first
একটি স্থানিক রেফারেন্স সিস্টেম (এসআরএস) যোগ করুন বা সমন্বিত রেফারেন্স সিস্টেম (সিআরএস)।
# CRS database: http://spatialreference.org/ref/epsg/
sp::proj4string(precGridPtsdf) <- sp::CRS("+proj=longlat +ellps=WGS84 +datum=WGS84")
str(precGridPtsdf)
#> Formal class 'SpatialPointsDataFrame' [package "sp"] with 5 slots
#> ..@ data :'data.frame': 16 obs. of 1 variable:
#> .. ..$ ID: int [1:16] 1 2 3 4 5 6 7 8 9 10 ...
#> ..@ coords.nrs : int [1:2] 3 2
#> ..@ coords : num [1:16, 1:2] -121 -122 -121 -121 -121 ...
#> .. ..- attr(*, "dimnames")=List of 2
#> .. .. ..$ : chr [1:16] "1" "2" "3" "4" ...
#> .. .. ..$ : chr [1:2] "long" "lat"
#> ..@ bbox : num [1:2, 1:2] -121.5 46.8 -121.2 47
#> .. ..- attr(*, "dimnames")=List of 2
#> .. .. ..$ : chr [1:2] "long" "lat"
#> .. .. ..$ : chr [1:2] "min" "max"
#> ..@ proj4string:Formal class 'CRS' [package "sp"] with 1 slot
#> .. .. ..@ projargs: chr "+proj=longlat +ellps=WGS84 +datum=WGS84 +towgs84=0,0,0"
ইউটিএম 10N তে রূপান্তর করুন
utm10n <- "+proj=utm +zone=10 ellps=WGS84"
precGridPtsdf_UTM <- spTransform(precGridPtsdf, CRS(utm10n))
হাইপথেটিকাল বার্ষিক বৃষ্টিপাতের ডেটা পয়সন বিতরণ ব্যবহার করে উত্পন্ন।
precDataTxt <- ("ID PRCP2016 PRCP2017 PRCP2018
1 2125 2099 2203
2 2075 2160 2119
3 2170 2153 2180
4 2130 2118 2153
5 2170 2083 2179
6 2109 2008 2107
7 2109 2189 2093
8 2058 2170 2067
9 2154 2119 2139
10 2056 2184 2120
11 2080 2123 2107
12 2110 2150 2175
13 2176 2105 2126
14 2088 2057 2199
15 2032 2029 2100
16 2133 2108 2006"
)
precData <- read_table2(precDataTxt, col_types = cols(ID = "i"))
যথার্থ শেফফিলের সাথে যথাযথ ডেটা ফ্রেমটি মার্জ করুন
precGridPtsdf <- merge(precGridPtsdf, precData, by.x = "ID", by.y = "ID")
precdf <- data.frame(precGridPtsdf)
বৃষ্টিপাতের শেফফাইল (ইউটিএম) এর সাথে বৃষ্টিপাতের ডেটা ফ্রেমটি মার্জ করুন
precGridPtsdf_UTM <- merge(precGridPtsdf_UTM, precData, by.x = "ID", by.y = "ID")
# sample extent
region_extent <- structure(c(612566.169007975, 5185395.70942594, 639349.654465079,
5205871.0782451), .Dim = c(2L, 2L), .Dimnames = list(c("x", "y"
), c("min", "max")))
স্থানিক প্রক্ষিপ্তকরণের জন্য সীমাটি নির্ধারণ করুন। এটি প্রতিটি দিকে 4km বড় করুন
x.range <- c(region_extent[1] - 4000, region_extent[3] + 4000)
y.range <- c(region_extent[2] - 4000, region_extent[4] + 4000)
1 কিমি রেজোলিউশনে কাঙ্ক্ষিত গ্রিড তৈরি করুন
grd <- expand.grid(x = seq(from = x.range[1], to = x.range[2], by = 1000),
y = seq(from = y.range[1], to = y.range[2], by = 1000))
# Convert grid to spatial object
coordinates(grd) <- ~x + y
# Use the same projection as boundary_UTM
proj4string(grd) <- "+proj=utm +zone=10 ellps=WGS84 +ellps=WGS84"
gridded(grd) <- TRUE
বিপরীত দূরত্বের ওজন (IDW) ব্যবহার করে ইন্টারপোলেট করুন
idw <- idw(formula = PRCP2016 ~ 1, locations = precGridPtsdf_UTM, newdata = grd)
#> [inverse distance weighted interpolation]
# Clean up
idw.output = as.data.frame(idw)
names(idw.output)[1:3] <- c("Longitude", "Latitude", "Precipitation")
precdf_UTM <- data.frame(precGridPtsdf_UTM)
প্লট বিরতি ফলাফল
idwPlt1 <- ggplot() +
geom_tile(data = idw.output, aes(x = Longitude, y = Latitude, fill = Precipitation)) +
geom_point(data = precdf_UTM, aes(x = long, y = lat, size = PRCP2016), shape = 21, colour = "red") +
viridis::scale_fill_viridis() +
scale_size_continuous(name = "") +
theme_bw() +
scale_x_continuous(expand = c(0, 0)) +
scale_y_continuous(expand = c(0, 0)) +
theme(axis.text.y = element_text(angle = 90)) +
theme(axis.title.y = element_text(margin = margin(t = 0, r = 10, b = 0, l = 0)))
idwPlt1
### Now looping through every year
list.idw <- colnames(precData)[-1] %>%
set_names() %>%
map(., ~ idw(as.formula(paste(.x, "~ 1")),
locations = precGridPtsdf_UTM, newdata = grd))
#> [inverse distance weighted interpolation]
#> [inverse distance weighted interpolation]
#> [inverse distance weighted interpolation]
idw.output.df = as.data.frame(list.idw) %>% as.tibble()
idw.output.df
#> # A tibble: 1,015 x 12
#> PRCP2016.x PRCP2016.y PRCP2016.var1.pred PRCP2016.var1.var PRCP2017.x
#> * <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 608566. 5181396. 2114. NA 608566.
#> 2 609566. 5181396. 2115. NA 609566.
#> 3 610566. 5181396. 2116. NA 610566.
#> 4 611566. 5181396. 2117. NA 611566.
#> 5 612566. 5181396. 2119. NA 612566.
#> 6 613566. 5181396. 2121. NA 613566.
#> 7 614566. 5181396. 2123. NA 614566.
#> 8 615566. 5181396. 2124. NA 615566.
#> 9 616566. 5181396. 2125. NA 616566.
#> 10 617566. 5181396. 2125. NA 617566.
#> # ... with 1,005 more rows, and 7 more variables: PRCP2017.y <dbl>,
#> # PRCP2017.var1.pred <dbl>, PRCP2017.var1.var <dbl>, PRCP2018.x <dbl>,
#> # PRCP2018.y <dbl>, PRCP2018.var1.pred <dbl>, PRCP2018.var1.var <dbl>