Question

我需要使用spsample（）从shapefile列表中的每个shapefile上放置随机点。对于一些不规则的shapefile，这被证明是一个漫长的过程，所以我需要通过丢弃小的和远程的多边形来简单地使用一些shapefile（我认为）是spsample（）的麻烦制造者。

为此，我需要知道每个多边形的大小和它与所有其他多边形的平均距离。我正在寻找如何加快这个计算，可能是以更优雅（和更快）的方式完成。下面显示的尝试有效但作为简化算法需要花费太多时间。

#program tries to place random points on shapefile shapes[[i]] if it fails after 300 seconds it goes though to simplifying part and swaps the old shapefile with a simplified version.

d <- shapes[[i]]
Fdist <- list()

for(m in 1:dim(d)[1]) {
      pDist <- vector()
      for(n in 1:dim(d)[1]) { 
        pDist <- append(pDist, gDistance(d[m,],d[n,]))
      }

      Fdist[[m]] <- pDist
      d@data$mean[m]<-mean(Fdist[[m]])
      d@data$gArea[m]<-gArea(d[m,])
    } 

#drop small and remote polygons

d.1<-d[d@data$gArea>=quantile(d@data$gArea, prob = seq(0, 1, length=11), type=5)[[1]] & (d@data$mean<=quantile(d@data$mean, prob = seq(0, 1, length=11), type=5)[[10]]),]

#replace with simplified polygon

shapes[[i]]<-d.1

如果有任何建议，我将不胜感激。

Answer 1

我会首先尝试简化多边形。 ms_simplify包中的rmapshaper可以大大简化您的多边形，而不会引入滑动多边形或间隙：

library("rgdal")
library("rmapshaper")

big <- readOGR(dsn = ".", "unsimplified_shapefile")
big_sample <- spsample(big, 1000, type = "stratified")

small <- rmapshaper::ms_simplify(big, keep = 0.01)
small_sample <- spsample(small, 1000, type = "stratified")

使用我必须提供的shapefile，我将~100MB的shapefile减少到~2MB，并将采样时间从~2.3s减少到~0.11s。

如果无法简化，您可以使用gArea()向gDistance()和byid = TRUE函数进行矢量化：

library("rgeos")
big@data$area <- gArea(big, byid = TRUE)
big@data$dist <- gDistance(big, byid = TRUE)

使用spsample（）简化shapefile以放置随机点

1 个答案: