使用池塘及其池塘区域的坐标产生1公里的平均池塘区域网格

Question

我在英格兰肯特郡的北部和东部坐标是17,306个池塘，几乎所有池塘的面积都是平方米。我正在尝试创建一个1公里的网格，为每个网格方块提供平均池塘面积，同时给出没有池塘的网格方格的0值。 我一直在寻找类似于我的问题，并找到了一个薄板样条算法用于在英国生成网格化降雨数据，然后将表面绘制到此网格上并将数据写入表格How to produce gridded output in R and eliminate grid squares that are not over land? ）。

我已经能够在少量数据上使用此代码来产生类似的结果。下面是一个包含少量数据的示例。

dput(head(KentPonds, 10))    

structure(list(Eastings = c(572745.0557, 578793.9616, 573157.8562, 
573664.2026, 572735.0952, 572738.741, 572742.0182, 572281.0791, 
572267.6893, 573673.0182), Northings = c(179326.0157, 179249.0268, 
179184.2076, 179173.6464, 179148.6766, 179123.1966, 179067.6473, 
179050.8956, 178994.7816, 178996.945), PondArea_sqm = c(448L, 
85L, 52L, 183L, 318L, 511L, 276L, 330L, 772L, 203L)), .Names = c("Eastings", 
"Northings", "PondArea_sqm"), row.names = c(NA, 10L), class = "data.frame")

#looks like this
Eastings Northings PondArea_sqm
572745.1  179326.0          448
578794.0  179249.0           85
573157.9  179184.2           52
573664.2  179173.6          183
572735.1  179148.7          318
572738.7  179123.2          511
572742.0  179067.6          276
572281.1  179050.9          330
572267.7  178994.8          772
573673.0  178996.9          203

library(fields)
library(maptools)
library(gstat)


names(KentPonds) <- c("Eastings", "Northings", "PondArea_sqm") 

fit <- Tps(cbind(KentPonds$Eastings,KentPonds$Northings),KentPonds$PondArea_sqm)
surface(fit)

xvals <- seq(500000, 650000, by=1000)
yvals <- seq(115000, 190000, by=1000)

griddf <- expand.grid(xvals, yvals)
griddf$pred <- predict(fit, x=as.matrix(griddf))
write.table(griddf, file="PArea1000_Grid(1).csv", sep=",", qmethod="double")

使用所有17,306个池塘，它会使我的计算机崩溃，但更重要的是我希望能够以某种方式对其进行调整，而不是通过tps产生的预测值，我会得到我想要的，即每个网格方块的平均池塘面积。我发现这很困难，所以如果有人能提供解决方案或指出我正确的方向，我将非常感激。

亲切的问候，

艾

Answer 1

如何仅创建一些额外的列来指示网格引用，然后使用dplyr创建聚合度量。我也展示了它的绘图。 PS我缩小了您的xvals和yvals范围，以便提供的数据集中的项目更加明显：

KentPonds<-read.table(header=T,text="Eastings Northings PondArea_sqm
572745.1  179326.0          448
578794.0  179249.0           85
573157.9  179184.2           52
573664.2  179173.6          183
572735.1  179148.7          318
572738.7  179123.2          511
572742.0  179067.6          276
572281.1  179050.9          330
572267.7  178994.8          772
573673.0  178996.9          203
")

xvals <- seq(570000, 575000, by=1000)
yvals <- seq(178000, 181000, by=1000)

KentPonds$x<-ceiling(KentPonds$Eastings/1000)*1000
KentPonds$y<-ceiling(KentPonds$Northings/1000)*1000

require(dplyr) # for aggregation
require(ggplot2) # for plotting

ponds_sqkm<-group_by(KentPonds,x,y) %.% 
  summarise(mean=mean(PondArea_sqm),total=sum(PondArea_sqm))

plotdata<-merge(ponds_sqkm,expand.grid(x=xvals,y=yvals),all.y=T)

ggplot(plotdata) + theme_bw() +
  geom_tile(aes(x,y,fill=mean)) +
  scale_fill_continuous(low="white",high="red",na.value="white")