KFME on JLA Data

Síťové mapy v R

Fri, 15 Dec 2023 00:00:00 +0000

Když jsem před časem ― ve verzi 1.4.2 z léta 2019 ― zaváděl do balíčku {RCzechia} objekt KFME síťových polí, cílil jsem především na pokročilé uživatele statistického programovacího jazyka R. Síťová pole jsem osobně potřeboval pro relativně sofistikovaný problém ekologického modelování, a podle sebe jsem soudil ostatní.

Až s odstupem času jsem zjistil, že tento způsob využití nejen že není jediný možný, ale dokonce ani není převažující. Dobrým příkladem jsou uživatelé z oblasti faunistiky a floristiky. Velmi často se jedná o uživatele, pro které statistika a GIS nástroje představují spíše nutné zlo; jejich skutečná práce je o něčem jiném. Síťové mapy ale potřebují.

Rád bych nabídl i cílové skupině neprofesionálních programátorů kód, který z tabulky souřadnic míst nálezů ― kterou lze snadno a rychle vytvořit někde bokem, třeba v Excelu ― vykreslí v erku publikačně použitelnou síťovou mapu.

A to způsobem, který je využitelný metodou copy / paste, pouze se vcelku snadno splnitelnou podmínkou nainstalovaného erka (které je FOSS) a funkčního přístupu k internetu. Kromě nich je třeba už jen soubor (csvčko se sloupci lon a lat) s nálezy v souřadnicích GPS a níže uvedený kus kódu.

Pro ilustraci jsem zvolil z nálezové databáze AOPK záznamy o nálezech rosnatky okrouhlolisté (Drosera rotundifolia). Rosnatka je známá a populární rostlina; v našich podmínkách nezaměnitelná. V nálezové databázi je evidováno přes šest tisíc nálezů, takže je dobře zdokumentovaná. Je tedy dobrým kandidátem pro ilustraci technik mapování.

Prvním příkladem je mapa v kontextu původní metodiky KFME: “hrubá” síťová pole o velikosti 10 × 6 úhlových minut (což v našich zeměpisných šířkách představuje lichoběžníky blízké čtvercům). Jednotlivým polím pak jsou přiřazeny čtyřciferné kódy.

Pro snazší orientaci je mapa doplněna o hranice České republiky a vybrané říční toky.

library(dplyr)    # obecná manipulace s daty
library(ggplot2)  # kreslení grafů
library(RCzechia) # prostorová data ČR

# načíst csv v definované struktuře - místo "mé" rosnatky použijte soubor vlastní! :)
# + transformovat z obyčejného na prostorový data frame
data <- read.csv("https://www.jla-data.net/sample/Drosera_rotundifolia.csv") %>% 
  st_as_sf(coords = c("lon", "lat"), crs = 4326)

# hranice Česka pro kontext
hranice <- republika(resolution = "low")

# pár hlavních řek pro kontext
reky <- reky(resolution = "low") %>% 
  filter(Major)

# mapová síť - hrubý podklad pro obrázek i značky
hruby_podklad <- KFME_grid(resolution = "low")

# středobody síťových polí - na nich budou značky
stredy_site <- st_centroid(hruby_podklad)

# čtverce s nálezem jako vektor - výčet
nalezy <- data %>% 
  st_join(hruby_podklad, left = F) %>%
  pull(ctverec) %>% 
  unique()

# vlastní kreslení obrázku
ggplot() +
  geom_sf(data = hranice, color = "gray25", fill = NA, lwd = 1) +
  geom_sf(data = reky, color = "navyblue") +
  geom_sf(data = hruby_podklad, color = "gray60", fill = NA, alpha = 1/4) +
  geom_sf(data = subset(stredy_site, ctverec %in% nalezy), 
          shape = 19,  
          color = "firebrick", 
          size = 3) +
  theme_minimal() +
  # popisky os jako čísla čtverců; kvůli čitelnosti skoky po dvou čtvercích 
  # ve vyšším rozlišení může stačit po jednom - pak třeba upravit labels i breaks
  scale_y_continuous(labels = as.character(seq(from = 74, to = 49, by = -2)),
                     breaks = seq(from = 48.5 + 1/20, 
                                  to = 48.5 + 1/20 + 25/10, 
                                  by = 2 * 1/10)) +
  scale_x_continuous(labels = as.character(seq(from = 38, to = 79, by = 2)),
                     breaks = seq(from = 12 + 1/12, 
                                  to = 12 + 1/12 + 41/6, 
                                  by = 2 * 1/6)) +
  # těsnější než defaultní nastavení okrajů mapy a popisků os 
  # může vyžadovat ladění v závislosti na rozlišení výstupu...
  theme(panel.grid.major = element_line(colour = "transparent"),
        axis.text.y = element_text(margin = margin(r = -18)),
        axis.text.x = element_text(margin = margin(t = -8)),
        plot.margin = margin(r = -20))

Druhým příkladem pak je mapa v kontextu modifikované metodiky KFME: “jemná” síťová pole, vzniklá rozdělením “hrubých” polí na 4 podčtverce označené písmenem.

Protože takto jemné členění by bylo příliš detailní pro použití na republiku jako celek, tak ponechávám na mapě původní “hrubou” síť, včetně názvů čtverců. Jemnější síť slouží jen pro označení místa nálezů.

library(dplyr)    # obecná manipulace s daty
library(ggplot2)  # kreslení grafů
library(RCzechia) # prostorová data ČR

# načíst csv v definované struktuře - místo "mé" rosnatky použijte soubor vlastní! :)
# + transformovat z obyčejného na prostorový data frame
data <- read.csv("https://www.jla-data.net/sample/Drosera_rotundifolia.csv") %>% 
  st_as_sf(coords = c("lon", "lat"), crs = 4326)

# hranice Česka pro kontext
hranice <- republika(resolution = "low")

# pár hlavních řek pro kontext
reky <- reky(resolution = "low") %>% 
  filter(Major)

# mapová síť - hrubý podklad pro obrázek, jemný pro značky na místech nálezů
hruby_podklad <- KFME_grid(resolution = "low")
jemny_podklad <- KFME_grid(resolution = "high")

# středobody síťových polí - na nich budou značky
stredy_site <- st_centroid(jemny_podklad)

# čtverce s nálezem jako vektor - výčet
nalezy <- data %>% 
  st_join(jemny_podklad, left = F) %>%
  pull(ctverec) %>% 
  unique()

# vlastní kreslení obrázku
ggplot() +
  geom_sf(data = hranice, color = "gray25", fill = NA, lwd = 1) +
  geom_sf(data = reky, color = "navyblue") +
  geom_sf(data = hruby_podklad, color = "gray60", fill = NA, alpha = 1/4) +
  geom_sf(data = subset(stredy_site, ctverec %in% nalezy), 
          shape = 19,  
          color = "firebrick", 
          size = 1.25) +
  theme_minimal() +
  # popisky os jako čísla čtverců; kvůli čitelnosti skoky po dvou čtvercích 
  # ve vyšším rozlišení může stačit po jednom - pak třeba upravit labels i breaks
  scale_y_continuous(labels = as.character(seq(from = 74, to = 49, by = -2)),
                     breaks = seq(from = 48.5 + 1/20, 
                                  to = 48.5 + 1/20 + 25/10, 
                                  by = 2 * 1/10)) +
  scale_x_continuous(labels = as.character(seq(from = 38, to = 79, by = 2)),
                     breaks = seq(from = 12 + 1/12, 
                                  to = 12 + 1/12 + 41/6, 
                                  by = 2 * 1/6)) +
  # těsnější než defaultní nastavení okrajů mapy a popisků os 
  # může vyžadovat ladění v závislosti na rozlišení výstupu...
  theme(panel.grid.major = element_line(colour = "transparent"),
        axis.text.y = element_text(margin = margin(r = -18)),
        axis.text.x = element_text(margin = margin(t = -8)),
        plot.margin = margin(r = -20))

Věřím, že vám tento příklad pomůže s vlastními mapami. A pokud shledáte můj kód užitečným pro vaši publikační činnost, zvažte v metodice citaci balíčku RCzechia, ideálně přes článek z JOSS https://joss.theoj.org/papers/10.21105/joss.05082.

Síťové mapování a faunistické čtverce

Tue, 20 Aug 2019 00:00:00 +0000

Síťové mapování má dlouhou tradici a velký význam v přírodních vědách – zejména faunistice. Ve Střední Evropě je nejrozšířenější technikou pro výpočet síťových polí metoda Kartierung der Flora Mitteleuropas (KFME).

Tato metodika dělí území Střední Evropy na pole o velikosti 6×10 úhlových minut, což v našich zeměpisných šířkách představuje lichoběžníky blízké čtvercům. Těmto “čtvercům” je pak přiřazeno čtyřmístné číslo podle sloupců a řádek, počítaných od severu k jihu a od západu k východu.

V našich podmínkách se s technikou KFME setkáme ve dvou mutacích:

hrubé čtverce, podle původní metodiky (4 ciferné značení)
jemné čtverce, kdy je čtverec navíc rozdělen do 4 podčtverců označených písmeny a až d

Obě variace metodiky KFME jsou od srpna 2019 (tj. od verze 1.4.2) podporovány v rámci erkové package RCzechia.

# krok první: načtení potřebných knihoven
library(tidyverse)
library(leaflet.extras)
library(RCzechia)
library(leaflet)
library(units)
library(knitr)
library(sf)

Čtverce jsou realizovány pomocí funkce KFME_grid(), která má jako argument rozlišení - buď nízké (low = 4 ciferné čtverce) nebo vysoké (high = 4 čísla a písmeno).

Čtverce vyvoláme a zobrazíme pomocí jednoduchého kódu, a můžeme je použít jak ve statických, tak dynamických mapách - zde v prostředí {ggplot2} a {leaflet} knihoven.

# statická mapa - {ggplot2}
ggplot() +
  geom_sf(data = RCzechia::republika("low")) +
  geom_sf(data = RCzechia::KFME_grid("low"), fill = "NA", color = "grey60")

# dynamická mapa - {leaflet}
leaflet(data = RCzechia::republika("low")) %>% 
  addProviderTiles("CartoDB.Positron") %>% 
  addPolygons(data = RCzechia::KFME_grid("low"),
              color = "red",
              weight = 1,
              fillOpacity = 0,
              popup = ~as.character(ctverec)) %>% 
  leaflet.extras::addResetMapButton()

Zajímavá je kombinace čtverců s geokódovací funkcí RCzechia::geocode(), která dohledává bodové souřadnice přes API Českého zeměměřičského ústavu.

Tato funkce je vektorizovaná, a podporuje dohledávání souřadnic pro větší objemy adres.

Jakmile mám dohledanou adresu v datovém formátu dle balíčku {sf}, tak snadno a rychle dohledám hrubý či jemný čtverec pomocí funkce sf::st_join - tato funkce provede prostorové připojení dvou prostorových objektů (v mém případě bodových souřadnic a mapových čtverců).

Přitom, a to je podstatné, ve svém výstupu zkombinuje data z obou prostorových objektů. V konečném efektu tedy dojde k obohacení data framu souřadnic o číslo čtverce. QED.

# lokality Lasius myops; podle Dva nálezy mravence Lasius myops..., Pech 2010
lokality <- c("Kadaň", "Louny")

# geokódování lokalit - typ bodu = obec
myops <- RCzechia::geocode(lokality) %>% 
  filter(type == "Obec")

# data frame myops nyní obsahuje lokality a souřadnice
knitr::kable(myops)

address	type	result	geometry
Kadaň	Obec	Kadaň	POINT (13.28488 50.38336)
Louny	Obec	Louny	POINT (13.80088 50.35918)

# snadno doplníme "hrubý" čtverec - standardní metodika 4 čísel
hrube <- sf::st_join(myops, RCzechia::KFME_grid("low"))

kable(hrube)

address	type	result	ctverec	geometry
Kadaň	Obec	Kadaň	5645	POINT (13.28488 50.38336)
Louny	Obec	Louny	5648	POINT (13.80088 50.35918)

# případně "jemný" čtverec - modifikovaná metodika 4 čísla + písmenko
jemne <- sf::st_join(myops, RCzechia::KFME_grid("high"))

kable(jemne)

address	type	result	ctverec	geometry
Kadaň	Obec	Kadaň	5645b	POINT (13.28488 50.38336)
Louny	Obec	Louny	5648b	POINT (13.80088 50.35918)

Jako příklad použití v mapě uvádím ogeokódovanou lokalitu kanceláře České společnosti entomologické, včetně zařazení do čtverce a podčtverce dle metodiky KFME.

# geokódování lokalit - typ bodu = konkrétní adresa (kancelář ČSE)
spolecnost <- RCzechia::geocode("Viničná 7, Praha 2") %>% 
  filter(type == "AdresniMisto")

# velký čtverec = 4 čísla; join nebude levý = bude filtrační (vrátí 1 čtverec)
velky_ctverec <- st_join(KFME_grid("low"), spolecnost, left = F) 

# malý čtverec = 4 čísla + písmenko
maly_ctverec <- st_join(KFME_grid("high"), spolecnost, left = F)

# hranice Prahy - pro kontext...
praha <- RCzechia::kraje() %>% # objekt všech všechny krajů ...
  filter(NAZ_CZNUTS3 == "Hlavní město Praha") # ... a z nich Praha

# pražský kus Vltavy - s řekou vypadá město líp...
vltava <- RCzechia::reky("Praha") 

ggplot() +
  geom_sf(data = vltava, color = "steelblue", size = 1.25, alpha = .5) +
  geom_sf(data = praha, fill = NA, size = 1, alpha = .5) +
  geom_sf(data = velky_ctverec, color = "darkorchid4", fill = NA) + 
  geom_sf(data = maly_ctverec, color = "goldenrod2", fill = NA) + 
  geom_sf(data = spolecnost, col = "red", pch = 4, size = 2.5) +
  geom_sf_text(data = velky_ctverec, aes(label = ctverec), color = "darkorchid4") +
  geom_sf_text(data = maly_ctverec, aes(label = ctverec), color = "goldenrod2") +
  theme(axis.title = element_blank())

Typický use case faunistických čtverců je zakreslení nálezů do mapy ČR; pro ilustraci použiji opět mravence Lasius myops Forel 1894, volně podle https://pavelpech.webpark.cz/Pech_Lasius_m.pdf

# lokality Lasius myops; podle Dva nálezy mravence Lasius myops..., Pech 2010
lokality <- c("Kadaň", "Louny")

# geokódování lokalit - typ bodu = obec
myops <- RCzechia::geocode(lokality) %>% 
  filter(type == "Obec")

# zjistíme "hrubý" čtverec jako vektor - standardní metodika 4 čísel
hrube <- sf::st_join(myops, RCzechia::KFME_grid("low"))$ctverec

# pro hrubé čtverce zjistíme souřadnice středobodů (v nich bude střed kolečka)
stredobody <- sf::st_centroid(subset(RCzechia::KFME_grid(), ctverec %in% hrube))

# o výsledku podáme zprávu
ggplot() +
  # kompletní síťová pole pro orientaci
  geom_sf(data = KFME_grid(), fill = NA, color = "gray65", size = .25) +
  # hranice republiky v nízkém (= elegantním) rozlišení
  geom_sf(data = republika("low"), fill = NA, color = "gray40", size = 1) +
  # významné řeky pro snazší orientaci
  geom_sf(data = subset(reky(), Major), color = "steelblue", size = .66, alpha = 1/2) +
  # nalezené čtverce jako body
  geom_sf(data = stredobody, color = "firebrick", size = 3) +
  # omáčka pro hezčí graf
  theme_void() + 
  labs(title = "Lokality mravence *Lasius myops* Forel 1894 v ČR",
       caption = "podle Pech 2010") +
  theme(plot.title = ggtext::element_markdown(size = 15))

Pro zájemce o využití čtverců mimo erko – například v rámci QGIS nebo jiného GISu – dále nabízím polygony čtverců ke stažení ve formátu GeoPackage.

Soubor kfme_czechia.gpkg obsahuje dvě vrstvy:

vrstva puvodni představuje čtverce podle původní metodiky (4 číslice)
vrstvajemne jsou čtverce podle modifikované metodiky (4 číslice + písmeno)