Question

我试图缓冲半径为100公里的数据集中的点。我使用了包gBuffer中的rgeos函数。这就是我到目前为止所拥有的：

head( sampledf )
#  postalcode      lat       lon       city province
#1     A0A0A0 47.05564 -53.20198     Gander       NL
#4     A0A1C0 47.31741 -52.81218 St. John's       NL

coordinates( sampledf ) <- c( "lon", "lat" )
proj4string( sampledf ) <- CRS( "+proj=longlat +datum=WGS84" )
distInMeters <- 1000
pc100km <- gBuffer( sampledf, width=100*distInMeters, byid=TRUE )

我收到以下警告：

在gBuffer中（sampledf，width = 100 * distInMeters，byid = TRUE）：不预测空间对象; GEOS期望平面坐标

根据我的理解/阅读，我需要更改坐标参照系（CRS），尤其是来自“地理”数据集的投影。预计＆＃39; 我不确定如何改变这一点。这些都是加拿大的地址，我可以补充一下。所以NAD83在我看来是一个自然的选择，但我可能错了。

非常感谢任何/所有帮助。

Answer 1

随着更多的挖掘，事实证明使用“预测”＆＃39;坐标参考系统就像

一样简单

# To get Statscan CRS, see here:
# http://spatialreference.org/ref/epsg/3347/
pc <- spTransform( sampledf, CRS( "+init=epsg:3347" ) )

EPSSC3347，由STATSCAN使用（适用于加拿大地址），使用lambert conformal conic投影。请注意，NAD83是不合适的：它是一个地理位置，而不是“预测”的地理位置＆＃39; CRS。缓冲点

pc100km <- gBuffer( pc, width=100*distm, byid=TRUE )
# Add data, and write to shapefile
pc100km <- SpatialPolygonsDataFrame( pc100km, data=pc100km@data )
writeOGR( pc100km, "pc100km", "pc100km", driver="ESRI Shapefile" )

Answer 2

正如@MichaelChirico所指出的那样，投影数据以供使用rgeos::gBuffer()时应格外小心。我不是大地测量学专家，但是据我从ESRI这篇文章（Understanding Geodesic Buffering）所了解的，投射然后应用gBuffer意味着实际上产生了 Euclidean 缓冲区，而不是< strong> Geodesic 。欧式缓冲区受投影坐标系引入的变形的影响。如果您的分析涉及较大的缓冲区，尤其是在较大区域的纬度范围较大（我认为加拿大是一个不错的候选人），那么这些失真可能会令人担心。

前段时间，我遇到了同一问题，我的问题针对gis.stackexchange-Euclidean and Geodesic Buffering in R。我认为我当时提出的R代码以及给出的答案也与此问题相关。

主要思想是利用geosphere::destPoint()。有关更多详细信息和更快的替代方法，请参见上面提到的gis.stackexchange链接。这是我对您的两点进行的较早尝试：

library(geosphere)
library(sp)

pts <- data.frame(lon = c(-53.20198, -52.81218),
                  lat = c(47.05564, 47.31741))
pts
#>         lon      lat
#> 1 -53.20198 47.05564
#> 2 -52.81218 47.31741

make_GeodesicBuffer <- function(pts, width) {

  # A) Construct buffers as points at given distance and bearing ---------------

  dg <- seq(from = 0, to = 360, by = 5)

  # Construct equidistant points defining circle shapes (the "buffer points")
  buff.XY <- geosphere::destPoint(p = pts, 
                                  b = rep(dg, each = length(pts)), 
                                  d = width)

  # B) Make SpatialPolygons -------------------------------------------------

  # Group (split) "buffer points" by id
  buff.XY <- as.data.frame(buff.XY)
  id  <- rep(1:dim(pts)[1], times = length(dg))
  lst <- split(buff.XY, id)

  # Make SpatialPolygons out of the list of coordinates
  poly   <- lapply(lst, sp::Polygon, hole = FALSE)
  polys  <- lapply(list(poly), sp::Polygons, ID = NA)
  spolys <- sp::SpatialPolygons(Srl = polys, 
                                proj4string = CRS("+proj=longlat +ellps=WGS84 +datum=WGS84"))
  # Disaggregate (split in unique polygons)
  spolys <- sp::disaggregate(spolys)
  return(spolys)
}

pts_buf_100km <- make_GeodesicBuffer(as.matrix(pts), width = 100*10^3)

# Make a kml file and check the results on Google Earth
library(plotKML)
#> plotKML version 0.5-9 (2019-01-04)
#> URL: http://plotkml.r-forge.r-project.org/
kml(pts_buf_100km, file.name = "pts_buf_100km.kml")
#> KML file opened for writing...
#> Writing to KML...
#> Closing  pts_buf_100km.kml

^{由reprex package（v0.2.1）于2019-02-11创建}

为了开玩笑，我将函数包装在一个包装中-geobuffer

这里是一个例子：

# install.packages("devtools") # if you do not have devtools, then install it
devtools::install_github("valentinitnelav/geobuffer")
library(geobuffer)

pts <- data.frame(lon = c(-53.20198, -52.81218),
                  lat = c(47.05564, 47.31741))

pts_buf_100km <- geobuffer_pts(xy = pts, dist_m = 100*10^3)

^{由reprex package（v0.2.1）于2019-02-11创建}

其他人可能会提出更好的解决方案，但是目前，这对我的问题很有效，希望也可以解决其他人的问题。

R中的缓冲区（geo）空间点与gbuffer

2 个答案: