Mer

Endre landegrensene farge i en shapefile med R

Endre landegrensene farge i en shapefile med R


Jeg jobber med R for å lage et kart med en shapefile. Jeg vil endre fargen på landegrensene, men jeg vet ikke hvordan jeg skal gjøre det. Er det mulig å endre farge?

Her er koden min:

world1 = readShapeSpatial ("map.shp") plot (world1)

Jeg har et kart med svarte grenser, og jeg vil gjerne ha grå grenser. Hvis jeg skriverplot (world1, col = "grå")det farger landene og ikke grensene.


Det er engrenseargument iplott-metode:

plot (x, border = "grå") R> args (sp ::: plot.SpatialPolygons) -funksjon (x, col, border = par ("fg"), add = FALSE, xlim = NULL, ylim = NULL, xpd = NULL, tetthet = NULL, vinkel = 45, pbg = NULL, akser = FALSE, lty = par ("lty"),…, setParUsrBB = FALSE, usePolypath = NULL, regel = NULL)

Elegante geografiske tomter i Python og R ved hjelp av GeoPandas og Leaflet

Det er flere geografiske biblioteker som er tilgjengelige for å plotte stedsinformasjon på et kart. Jeg har tidligere skrevet om det samme emnet her, men siden den gang har jeg brukt disse bibliotekene mer i tillegg til å bli introdusert for nye. Etter å ha brukt og undersøkt flere biblioteker, fant jeg ut at GeoPandas og Leaflet-bibliotekene er to av de mest brukervennlige og svært tilpassbare bibliotekene. Koden er tilgjengelig som en GitHub repo:


R - fast med plottet () - fargelegging av formfiler polygoner basert på en sporverdi

Jeg har en shapefile som viser fjerntliggende områder i Australia, hentet fra Australian Bureau of Statistics:

På samme URL er en PDF "ASGS Remoteness Structure Edition 2011 PDF Maps" - Jeg prøver å reprodusere det første kartet fra dette PDF-dokumentet.

Jeg har lest i shapefilen og lagt til fargeinformasjon i datasporet:

Det eneste som er igjen for meg å gjøre er å plotte kartet! Det er her jeg sitter fast.

ra @ polygoner er en liste med 35 polygoner, som hver har en spor-ID som er en indeks til datarammen ra @ data. Så alt jeg trenger å gjøre er å fortelle plot () for å finne fargen i ra @ data $ COLOR [ID]. Vel, ikke helt. Hver av de 35 polygonene (klasse "Polygoner") har sin egen liste over polygoner (klasse "Polygon") totalt er det 6902 polygoner.

Min forståelse av plot () er at jeg må sende den en vektor med farger i samme rekkefølge som polygonene vil bli tegnet. Derfor tror jeg at jeg må lage en vektor med lengden 6902 med hvert element som holder fargeverdien for den tilhørende polygonen. Hvordan har jeg det så langt?

Det ville være enkelt nok hvis polygonene ble tegnet i rekkefølge, men de er ikke det. Hver av de 35 polygonene har en sporplott-ordre som er en heltallvektor, slik at fargevektoren antagelig må ordnes etter verdiene i hver av disse vektorene.

På dette punktet virker alt litt for komplisert. Er jeg helt ute av banen her?


Det er nå mulig å tegne et første koropleth-kart. Her er hovedtrinnene du må følge:

  • lage en fargepalett takket være colorNumeric () -funksjonen
  • lag bakgrunnskartet med brosjyre (), addTiles () og setView ()
  • bruk addPolygons () for å legge til formen til hele landet, med en farge som representerer antall personer i landet.

Det resulterende kartet er ganske skuffende: Kina og India har svært mange innbyggere, all variasjonen mellom andre land blir vanskelig å observere på kartet.


Bakgrunnskart i R

Dette er bakgrunnskartdelen av galleriet. Den forklarer hvordan man lager statiske og interaktive kart basert på forskjellige inngangsdata, men forklarer ikke hvordan man skal plotte data på den. Se andre seksjoner for det: koropleth, boblekart, forbindelseskart eller kartogram

R er et flott verktøy for geospatial dataanalyse. Det finnes massevis av dedikerte pakker. Å bygge et kart følger de to trinnene:

Finn data, last dem inn i R: regiongrenser kan lagres i shapefiles eller geoJSON-filer. Noen R-biblioteker gir også dataene til de vanligste stedene. Det er også mulig å bruke google map-stilbakgrunner.

Manipuler og plott den: når geodata er lastet inn i R får du et geospatialt objekt som har spesifikke funksjoner. Du kan manipulere den og plotte den med pakker som sp eller ggplot2

Folder R-pakken er en innpakning av Javascript leaflet.js-biblioteket. Det gjør det mulig å bygge fantastiske interaktive kart på få minutter med R. Kart kan eksporteres og frittstående html-filer, eller legges inn i en R markdown-fil eller et skinnende program.

Det mest grunnleggende bakgrunnskartet du kan gjøre med R og pakningsvedlegget. Bare standardalternativer.

Lær hvordan du zoomer på en bestemt del av kartet med setView-funksjonen.

Flere bakgrunnsfliser tilbys av brosjyren. Lær hvordan du laster dem, og sjekk mulighetene.

Brosjyre kart er interaktive: prøv å zoome og dra.

Ggmap-biblioteket gjør det enkelt å hente rasterkartfliser fra populære online karttjenester som Google Maps, OpenStreetMap eller Stamen Maps, og plotte dem ved hjelp av ggplot2-rammeverket. Det produserer statiske kart som disse. Klikk på et bilde for å få den relaterte kodebiten.

Det mest grunnleggende bakgrunnskartet du kan gjøre med R og ggmap-pakken

Bruk satellittbakgrunnen på kartet

Bruk veikartbakgrunnen på kartet

Bruk hybridbakgrunnen på kartet

Stamen er en annen fliseleverandør, kjent for denne akvarellflisen.

Noen få biblioteker tilbyr de vanligste romlige objektene. Det unngår kampen for å finne informasjonen et sted på nettet. Kartbibliotek: Canada, Frankrike, Italia, USA og dets regioner, verdensbyer, NZ. Mapdata-biblioteket (Kina, Japan, NZ, World in High resolution) og oz-biblioteket (Australia).


Egendefinerte regioner: metroområde, nærhet til IKEA, hva som helst & # 8230

Elastiske kart har mange flotte regionalternativer, slik at du kan komme raskt i gang, men det gir deg også muligheten til å enkelt kartlegge dine egne regioner. Du kan bruke alle grensedata du vil ha til dette, så lenge du har kildedata som inneholder lengdegrad og breddegrad.

Anta for dette eksemplet at vi bruker GeoIP, som er innebygd i Elasticsearch. GeoIP er en vanlig måte å transformere en IP-adresse til lengdegrad og breddegrad.

GeoIP er omtrent nøyaktig på bynivå globalt og nabolagsnivå i utvalgte land. Det er ikke like bra som en faktisk GPS-posisjon fra telefonen din, men den er mye mer presis enn bare et land, en stat eller en provins. Så det er mye oppløsning mellom presisjonen på lengdegrad og breddegrad fra GeoIP og standardkartene du får i Kibana.

Dette detaljnivået kan være veldig nyttig for å drive beslutningstaking. La oss for eksempel si at du ønsker å øke en markedsføringskampanje basert på hvor brukerne dine ligger, eller vise ledende interessenter hvilke metroområder du ser opplever en økning i trafikken.

GeoIP-databaser inneholder bredde- og lengdegradskoordinater som ligger nær sentrum av regionen eller underavdelingen der IP-adressen ligger. Hvis du stoler på lengdegrad og breddegradata fra IP-geolokalisering, kan dette noen ganger gi misvisende resultater. For eksempel, hvis GeoIP har identifisert at en IP-adresse er i USA, men MaxMind ikke har data om hvilken tilstand IP-adressen er i, vil den returnere lengdegrad og breddegrad nær USAs geografiske sentrum (f.eks. Kansas).

GeoIPs data for lengdegrad og breddegrad kan kombineres med nøyaktighetsradiusdataene for å bekjempe falsk tillit til geografiske koordinater. Du kan lære mer om nøyaktigheten av GeoIP på vårt supportsenter.

Den slags skala i USA fanges ofte med det Census Bureau kaller det kombinerte statistiske området (CSA). Det tilsvarer omtrent hvordan folk intuitivt tenker på hvilket byområde de bor i. Det sammenfaller ikke nødvendigvis med stats- eller bygrenser.

Denne underavdelingen er sentral i mange av de føderale regjeringens politikker, for eksempel å gjøre levekostnadstilpasninger til de økonomiske fordelene. CSA-er deler vanligvis de samme telekomleverandørene og annonsenettverkene. Nye hurtigmat-franchiser utvides til en CSA snarere enn en bestemt by eller kommune. I utgangspunktet handler folk i samme CSA i samme IKEA.

Å tilordne en romlig identifikator til en funksjon basert på plasseringen kalles omvendt geokoding eller romlig sammenføyning. Det er en av de vanligste operasjonene i geografiske informasjonssystemer (GIS).

I Elastic Stack ligger denne omvendte geokodingsfunksjonaliteten i Elasticsearch via anrikeprosessoren. Her skal vi bruke Kibana til å administrere disse prosessorene og deretter lage kart og visualiseringer. I veiledningen nedenfor vil vi bruke CSA-grenser for å illustrere omvendt geokoding.


Romlig refererte folketellingsdata for City of Chicago: Kilder tilgjengelig på eller gjennom University of Chicago Library

Census data er tilgjengelig for en rekke forskjellige geografiske enheter.

Samfunnsområder. Samfunnsområder, hvorav det er 77 i Chicago, antas å være homogene nabolagslignende distrikter. Mange, men ikke alle, samsvarer faktisk ganske nært med nabolag som vil bli gjenkjent av innbyggerne. Eksempler på disse er Hyde Park og Uptown. Samfunnsområder er særegne for Chicago. De ble tilsynelatende først foreslått av medlemmer av Social Science Research Committee ved University of Chicago i løpet av 1920-tallet. De har blitt brukt siden da av bystyret som statistiske enheter. De har dyden av konsistens med unntak av tillegg av O'Hare og splittelsen av Edgewater fra Uptown, de har vært uendret siden starten. US Census Bureau samler ikke data for samfunnsområder. Selv om de fleste samfunnsområdegrensene er sammenfallende med grenseverdiene for folketelling, fordi bygrensene krysser grenseverdier for grenseverdier flere steder, er det ikke mulig å utlede data fra samfunnsområdet fra data om folketellingskanalen på en grei måte.

Folketellingskanaler. Folketellingskanaler er små områder som skal være noe homogene. Folketellingskanaler har ideelt sett omtrent 1200 husstander (kanskje 2000-4000 mennesker), men i Chicago varierer befolkningen fra 0 til 10.000. Folketellingskanaler i byen Chicago har holdt seg nesten konstante siden 1920-tallet, men nummereringssystemet har endret seg. Det er ca. 866 folketellingskanaler i Chicago. Folketellingskanaler i forstedene har endret seg mye gjennom årene, i de fleste tilfeller ved å splitte.

Folketelling blokkerer. Folketellingblokker samsvarer nøye med blokker som enhver bybeboer vil identifisere. Bare begrensede data er tilgjengelige på blokknivå, og noen tall som man kanskje tror ville være tilgjengelige blir undertrykt for å forhindre identifisering av enkeltpersoner. Census-to-Census sammenligning er vanskelig på grunn av skiftende systemer for blokkidentifikasjon. Det er omtrent 10.000 folketellingsblokker i Chicago.

Folketellingsdata er også tilgjengelige for andre geografiske enheter. Blokker grupper består av flere blokker, det er vanligvis mellom tre og fem blokkeringsgrupper til en kanal. Alle variablene som er oppført på kanalnivå, er i teorien også oppregnet på blokkgruppenivå, men dataundertrykkelse er mer vanlig, og sammenligning av folketelling til folketelling er vanskelig. Census data er også tilgjengelig for postnummer, kongressdistrikteneog (utenfor Chicago ordentlig) steder (f.eks. byer) og mindre sivile divisjoner (dvs. townships). City of Chicago (men ikke Census Bureau) har tidvis gitt ut demografiske data for avdelinger.

Kilder til historiske data

De Folketelling og folketelling [HA 201 år] inneholder originale folketellingsdata, publisert i mange bind. De fleste bind har passende kart på slutten. Ofte er det andre eksemplarer av kartene i kartsamlingen [G4104.C6E25 år].

De Faktabok for lokalsamfunns inneholder samfunnsdata. De ble publisert omtrent hvert tiende år mellom 1938 og 1995 [F548.68.A1C5, F548.68.A1H38, F548.68.A1H38 1960, F548.68.A1L58, F548.68.A1L58 1995 (noen eksemplarer i lesesaler) ]. Se også Census Data of the City of Chicago, 1930, Community Areas [HA730.C5C85].

Kartsamlingen inneholder hundrevis av papirkart som ble samlet på grunnlag av folketellingsdata. De fleste er katalogisert. Du kan kanskje finne poster lettest ved å gjøre "Hvor som helst søkeord" -søk på ord som "Chicago", "kart" og "folketelling". Hvis du forstår hvordan kartanropsnumre fungerer, kan du også søke produktivt etter telefonnummer (prøv for eksempel G4104.C6E1 eller G4104.C6E73).

Census Data of the City of Chicago, 1920 [HA730.C5B9]. Census Data of the City of Chicago, 1930 [HA730.C5B91], og Folketellingsdata for byen Chicago, 1934 [HA730.C5N5] har nøyaktige titler. Bøker inneholder både data og kart.

De Nasjonalt historisk geografisk informasjonssystem ved University of Minnesota har både ESRI shapefiles med kanalgrenser og dbf-filer med data på traktatnivå tilbake til 1910 som du kan laste ned.

De Senter for befolkningsøkonomi ved University of Chicago har ESRI shapefiles med menighetsgrenser tilbake til 1800-tallet som du kan laste ned.

Kilder til relativt nylige data

Amerikansk Factfinder lar deg laste ned data om folketellingen 2000 og 2010.

De ESRI Nettstedet lar deg laste ned ArcView / ArcGIS shapefiles for folketellingskanaler og andre folketellingsenheter for 1990 og 2000.

De Nettsted for kartsamling har noen ikke-tilpassbare folketellingskart fra 1990 og 2000 for Chicago-området. De fleste er koropleth-kart, men det er også noen prikkart som viser befolkningsendring.

Flere plater fra GeoLytics, holdt på kartsamlingen, lar deg laste ned folketellingsdata og folketellingsgrensefiler for 1970, 1980, 1990, 2000 og 2010. Én disk ( Nabolagsendringsdatabase) har data fra 1970, 1980 og 1990 anslått til 2000-grenser, en annen har data fra 1970, 1980, 1990 og 2000 anslått til 2010-grenser. Nok en GeoLytics-disk har et mye større sett med 1990-data som er anslått til 2000 grenser. GeoLytics-diskene kan bare brukes i kartsamlingen. Du er selvfølgelig fri til å laste ned og ta bort data.

På kartsamlingen kan du bruke ArcGIS å lage tilpassede kart basert på folketellingsdata. Du kan også kombinere folketellingsdata med andre romlige data. Personalet er tilgjengelig for å hjelpe deg.

& kopier University of Chicago Library
1100 East 57th Street Chicago Illinois 60637
Telefonnummer


Referanser

Schuurman N, Bérubé M, Crooks VA: Måling av potensiell romlig tilgang til primærhelsetjenester leger ved hjelp av en modifisert tyngdekraftsmodell. Kan geograf. 2010, 54 (1): 29-45. 10.1111 / j.1541-0064.2009.00301.x.

Kammer R: Deltakende kartlegging og geografiske informasjonssystemer: hvis kart? Hvem er bemyndiget og hvem er bemyndiget? Hvem vinner og hvem taper ?. EJISDC. 2006, 25 (2): 1-11.

McLafferty SL: GIS og helsevesen. Annu Rev Folkehelse. 2003, 24: 25-42. 10.1146 / annurev.publhealth.24.012902.141012.

Tanser FC, Le Sueur D: Anvendelsen av geografiske informasjonssystemer på viktige folkehelseproblemer i Afrika. Int J Health Geogr. 2002, 1 (1): 4-10.1186 / 1476-072X-1-4.

Kaminska IA, Oldak A, Turski WA: Geographical Information System (GIS) som et verktøy for overvåking og analyse av forurensning av plantevernmidler og dens innvirkning på folkehelsen. AAEM. 2004, 11: 181-184.

Simarro PP, Cecchi G, Paone M, Franco JR, Diarra A, Ruiz JA, Fèvre EM, Courtin F, Mattioli RC, Jannin JG: Atlas for human afrikansk trypanosomiasis: et bidrag til global kartlegging av forsømte tropiske sykdommer. Int J Health Geogr. 2010, 9 (1): 57-10.1186 / 1476-072X-9-57.

Ricketts TC: Geografiske informasjonssystemer og folkehelse. Annu Rev Folkehelse. 2003, 24: 1-6. 10.1146 / annurev.publhealth.24.100901.140924.

Luo W: Ved hjelp av en GIS-basert flytende opptaksmetode for å vurdere områder med mangel på leger. Helseplass. 2004, 10 (1): 1-11. 10.1016 / S1353-8292 (02) 00067-9.

Wen TH, Lin NH, Lin CH, King CC, Su MD: Romlig kartlegging av tidsmessige risikokarakteristikker for å forbedre miljøhelseidentifikasjon: en case-studie av en dengueepidemi i Taiwan. Sci Total Miljø. 2006, 367 (2–3): 631-640.

Chung K, Yang DH, Bell R: Helse og GIS: mot romlige statistiske analyser. J Med Syst. 2004, 28 (4): 349-360.

Fleming G, Van Der Merwe M, McFerren G: Fuzzy ekspertsystemer og GIS for spådom av kolerahelserisiko i Sør-Afrika. Miljømodell Softw. 2007, 22 (4): 442-448. 10.1016 / j.envsoft.2005.12.008.

Mwanundu S, Fara K: God praksis i deltakerkartlegging. 2009, Uttar Pradesh: International Fund for Agricultural Development (IFAD)

Vajjhala SP: Integrering av GIS og deltakerkartlegging i samfunnet. 2005, ESRI International User Conference: San Diego

Sudhof L, Amoroso C, Barebwanuwe P, Munyaneza F, Karamaga A, Zambotti G, Drobac P, Hirschhorn LR: Lokal bruk av geografiske informasjonssystemer for å forbedre datautnyttelse og helsetjenester: kartlegge dekning av keisersnitt i landlige Rwanda. Tropical Med Int Health. 2013, 18 (1): 18-26. 10.1111 / tmi.12016.

Verdens helseorganisasjon, UNICEF: Fremgang med drikkevann og sanitæranlegg: 2012-oppdatering. 2012, New York: WHO og UNICEF

Dunn CE: Deltakende GIS - et folks GIS ?. Prog Hum Geogr. 2007, 31 (5): 616-637. 10.1177 / 0309132507081493.

Dongus S, Nyika D, Kannady K, Mtasiwa D, Mshinda H, Fillinger U, Drescher AW, Tanner M, Castro MC, Killeen GF: Deltakende kartlegging av målområder for å muliggjøre operativ larvekildehåndtering for å undertrykke malariavektormygg i Dar es Salaam . Tanzan Int J Health Geogr. 2007, 6: 37-10.1186 / 1476-072X-6-37.

National Institute of Statistics of Rwanda: EICV3 Thematic Report: Environment & amp Natural Resources. 2011, Kigali: National Institue of Statistics of Rwanda

Nyirishema R, Mukasine B: Multi-Stakeholder Platform for Sustainable WASH Services: Lessons from Rwanda. 2011, SNV Rwanda: Kigali

Rwanda SNV: Feirer bærekraftige, rimelige vann- og sanitærtjenester, vaskeprosjekt i Rubavu, Nyabihu, Burera og Musanze. 2012, Kigali: SNV Rwanda

Republikken Rwanda: National Community Health Policy. 2008, Kigali: Helsedepartementet


World Language Mapping System

Inkluder språkdata i GIS-analysen din med denne enestående ressursen.

World Language Mapping System (WLMS) versjon 19 er det mest omfattende, oppdaterte og pålitelige geografiske datasettet for punkt og område (polygon) steder i verdens nesten 7100 levende språkgrupper.

World Language Mapping System (WLMS) har vært et prosjekt fra Global Mapping International (GMI) og flere bidragsytere i over 25 år.

Dataene er gitt i Esri shapefile (.shp) og filgeodatabaseformater for GIS-systemer. Kilden for språknavn og koder er 19. utgave (2016) ISO 639-3 standard. ArcGIS lagfiler er inkludert for å hjelpe med symbologi.

Språkforskere, kulturgeografer og andre forskere vil finne disse dataene verdifulle for å forstå språk og distribusjon over hele verden. Innovative bruksområder har inkludert økologi (studier av forholdet mellom menneskelig kulturelt mangfold og biologisk mangfold), statsvitenskap (studier av forholdet mellom væpnet konflikt og språklige grenser) og militær / terrorbekjempelse (tildeling av passende lingvister / oversettere til operasjoner på bestemte steder).

Viktige funksjoner:

  • Språkplasseringer både som punkter og polygoner (av språk hjemland), i Esri shapefile (.shp) format og fil geodatabase.
  • Polygoner for blandede språkområder
  • Designet for å legge sammen med Digital Chart of the World / VMAP0 basemaps
  • Lagfiler og mxd-filer for ArcView 10.1 eller nyere

Nye funksjoner i versjon 19

  • Punkt- og polygondata er oppdatert for å samsvare med 19. utgave (2016) ISO 639-3-standarden. Land som hadde mange endringer inkluderer Sør-Afrika, Ghana, Malaysia, Peru, Paraguay, Georgia.
  • Over 60 språk ble lagt til som punktsteder, slik at alle levende språk i 19. utgave (2016) ISO 639-3-standarden vil ha minst et poeng.
  • Oppdatert liste over innvandrer-, utdødd og tegnspråk.

Systemkrav

  • GIS-programvare som kan lese Esri shapefile format (.shp)
  • Shapefiles er testet på Esris ArcView 10.1-10.5
  • Full bruk av prosjekt- og lagfiler krever ArcView 10.1 eller nyere
  • Windows-system for å kjøre selvutpakkende .exe-installasjonsfiler. Dette trenger ikke være datamaskinen som kjører GIS-systemet, men må kunne skrive data til et sted som er tilgjengelig med GIS-systemet.

Alle andre tekniske spesifikasjoner finner du i følgende PDF-dokument:

Artikkel fra ESRI ArcNews

Les artikkelen av ESRI fra våren 2006, der du beskriver detaljene i World Language Mapping System.

Relaterte produkter

De fleste kunder foretrekker å pakke World Language Mapping System med høykvalitets basekart Seamless Digital Chart of the World (SDCW).

& kopier 2017 SIL International | 7500 W Camp Wisdom Rd, Dallas, TX 75236 | Kontakt oss | Personvern


NCL-grafikk: Kartlegger bare plott

Det er to hoved NCL-funksjoner for å lage bare kart:

Det er en tredje funksjon som heter gsn_csm_map_ce, men det ringer rett og slett gsn_csm_map under panseret, som er standard til en sylindrisk kortprojeksjon med mindre mpProjeksjon er satt til noe annet.

Denne siden viser de forskjellige kartprojeksjonene du kan lage i NCL. Alle disse kartene kan brukes til å legge konturer, vektorer, strømlinjer, markører, linjer og polygoner. Hvis du trenger flere kartoversikter enn det NCL gir, kan du se eksemplet på Shapefiles.

Se beskrivelsen øverst på siden for eksempler på kartoversikten for informasjon om endring av atferden til mpDataBaseVersion ressurs i NCL V6.4.0.

gsn_csm_map er plottmalene som tegner et sylindrisk likeverdig kart.

Merk at standardoppførselen er gråfylte kontinenter.

maponly_2.ncl: Et underregionskart med noen få modifikasjoner. Merk at de to første bildene nå vil se annerledes ut i NCL V6.4.0 og senere. Se neste avsnitt for å sammenligne bildene.

Første ramme: viser Australia og deler av Sørøst-Asia.
Andre ramme: sentrert på Vest-Eurasia.
Tredje ramme: demonstrerer hvordan du kan få mer oppdaterte landegrenser for denne regionen sammen med høyere oppløsning.

    = False - Slår av grå kontinentalt fyll.

= "Nasjonalt" - Slår på landegrensene.

= "Navy" - Endrer fargen på omrisselinjen.

= 1,5 - Endrer tykkelsen på kontinentale konturer.

= "MediumRes" - Velger databasen med middels oppløsning, som kreves for å få de nyeste landegrensene. "MediumRes" er nå standard i NCL V6.4.0 hvis mpOutlineBoundarySets er satt til noe annet enn "Geofysisk".

= "Earth..4" - Velger de mest oppdaterte landegrensene.

maponly_2.ncl: Dette er det samme skriptet som forrige eksempel. Bildene er oppdatert for å vise hva du får med NCL versjon 6.4.0. Merk at de to første bildene nå viser MediumRes-konturer som standard.

mpOceanFillColor = 8, velger den lyseblå fargen fra fargekartet.
mpLandFillColor = 164, velger den mørke oransje fargen fra fargekartet.
mpInlandWaterFillColor = 54, velger den mørkeblå fargen fra fargekartet.

Legg merke til at lengdegraden på tomten ble endret via mpMinLonF= 0 og mpMaxLonF= 360, og dermed mpCenterLonF måtte settes til 180 gjenspeiler det virkelige sentrum av tomten. Det er mange fargetabeller å velge mellom.

gsn_csm_map_polar er plottmalene som tegner et polarkart.

gsn_csm_map er plottmalene som tegner kart, der du spesifiserer projeksjonen.
mpProjeksjon = satellitt, velger projeksjon.

GetFillColorIndex vil tildele en farge til en polygon basert på en rekke fargeindekser.

maponly_7.ncl: Demonstrerer hvordan du fjerner deler av et kart. Det første plottet viser standard kartfylling, og det andre plottet har fått fjernet alle "SmallIslands". Disse inkluderer de mindre antillene, Hawaii, Filippinene etc.

mpAreaMaskingOn slår på områdemaskeringen slik at regionene spesifisert i mpMaskAreaSpecifiers vil ikke bli fylt. Merk at hvis vi ikke slo av kartoversikten med mpOutlineOn, vi ville fortsatt se omrisset, men det ville ikke bli fylt ut.

Denne teknikken skiller seg lett fra den som ble vist i eksempel 7. I det eksemplet utelukker vi bare de ønskede funksjonene. I denne metoden tegner vi bare de ønskede funksjonene.

mpOutlineBoundarySets = "NoBoundaries", indikerer ikke å tegne noen annen grense enn det som er satt av mpOutlineSpecifiers

Denne metoden kan således brukes til å tegne bare de land eller grenser som er spesifisert i mpOutlineSpecifiers. I den tredje rammen tegnes Kina, kinesiske provinser, India og forskjellige andre sørøstlige land. Å trekke de kinesiske provinsene, mpDataSetName må være satt til "Earth..4" og mpDataBaseVersion må være satt til "MediumRes".

maponly_9.ncl: Demonstrerer hvordan man tegner både amerikanske stater og meksikanske stater. Denne metoden krever at plottet blir tegnet først og deretter verdiene for de meksikanske statene hentet og lagt til plottet. maponly_10.ncl: Demonstrerer hvordan man tegner alle fylkene i USA, hvordan man tegner bare fylkene med navnet "Adams", og hvordan man kun tegner fylkene i Florida ved å føre dem opp med navn.

Ressursen mpDataSetName må settes til "Earth..2" for å ha tilgang til de amerikanske fylkene.

maponly_11.ncl: Demonstrerer forskjellen i oppløsning mellom de tre tilgjengelige kartdatabasene i NCL. mpDataBaseVersion brukes til å angi databasen som NCL bruker til å tegne grunnkartet. Som standard, mpDataBaseVersion er satt til "LowRes". Det øverste venstre panelet viser landet Hellas med denne innstillingen. Det øvre høyre panelet viser det samme området med en databaseinnstilling på "MediumRes". Bunnpanelet er tegnet med en databaseinnstilling på "HighRes".

Hvis du vil bruke kartdatabasen "HighRes", må du laste ned RANGS-databasen.

maponly_12.ncl: Dette skriptet demonstrerer bruken av ressursen mpProjeksjon, som setter kartprojeksjonen. Det er 13 kartprojeksjoner tilgjengelig hver er vist her. Ressurser er ikke satt for å begrense kartområdet, og dermed vises standardområdet (hele kloden).

Ressursene mpGridAndLimbOn og mpPerimOn er slått på og av gjennom hele programmet, avhengig av om projeksjonen ser best ut med den omkretsede tegningen eller med jordens omriss tegnet.

Som standard tegner NCL ikke en linje som skisserer jorden for framskrivningene Ortografisk, Satellitt, Mollweide og Robinson. For å lure NCL til å tegne omrisset for disse anslagene, bør følgende ressurser settes:

mpGridAndLimbOn = Sann slå på lat / lon linjer.
mpGridLatSpacingF = 90 endre breddelinjeavstand
mpGridLonSpacingF = 180. endre linjeavstand for lengdegrad
mpGridLineColor = "gjennomsiktig" lure ncl til å tegne jordens omriss

Som i eksempel 12, fremhever ikke dette eksemplet alltid den beste bruken av hver projeksjon.

maponly_14.ncl: Demonstrerer hvordan man tegner kontinentale konturer uten innlandsvann, innsjøer eller øyer tegnet, ved hjelp av en relativt ny kartressurs mpMaskOutlineSpecifiers. Du bruker mpOutlineSpecifiers og / eller mpOutlineBoundarySets for å indikere hvilke konturer du vil ha, og deretter bruke denne nye ressursen til å indikere hvilke konturer du vil maskere. maponly_15.ncl: Den første rammen viser hvordan man tegner klimadelinger, ved å sette ressursene mpDataSetName til "Earth..3", mpDataBaseVersion til "MediumRes", og mpOutlineBoundarySets til "AllBoundaries".

Den andre rammen viser hvordan du kan farge klimadelingene med et tredje felt. Klimadivisjonene har allerede sine egne standardfargeindekser (kalt "gruppe-ID") som du kan bruke til å fargelegge klimaområdene slik at tilstøtende områder ikke får samme farge. Disse standardverdiene hentes (via mpDynamicAreaGroups ressurs) slik at du kan erstatte dem med nye fargeindekser basert på dette tredje feltet.

maponly_16.ncl: Dette eksemplet viser hvordan kartdatabasen "Earth..4" kan brukes til å generere divisjoner for andre land.

Spesielt dette eksemplet viser hvordan man tegner statene Brasil, provinsene Kina og delstatene India. Du må angi ressursene mpDataSetName til "Earth..4" og mpDataBaseVersion til "MediumRes". I tillegg, ved å bruke spesielle kvantifiseringsmidler som "Kina: stater", kan du få disse nye divisjonene enten som konturer (via mpOutlineSpecifiers) eller som fylte områder (via mpFillAreaSpecifiers).

maponly_17.ncl: Dette eksemplet viser tre kartprojeksjoner som ble lagt til i V5.1.0: Hammer, Aitoff og Winkel Tripel. Det er også en ny og forbedret Mollweide (se neste rute for et eksempel på dette) som erstatter den gamle. maponly_18.ncl: Dette eksemplet sammenligner den nye og forbedrede Mollweide-projeksjonen som ble lagt til i V5.1.0 for å erstatte den gamle Mollweide-projeksjonen. Den gamle Mollweide, som en ekte Mollweide, har en elliptisk omkrets dobbelt så bred som den er høy (men med forskjellige dimensjoner) og parallellene er rette og horisontale, som i en ekte Mollweide, men formene på landmassene er merkbart forskjellige .

For å få den gamle Mollweide-projeksjonen, sett mpProjeksjon til "PseudoMollweide".

maponly_20.ncl: Dette eksemplet viser hvordan du tegner forskjellige oppløsninger av kystlinjene når du bruker "HighRes" -kartdatabasen. Ressursen er mpDataResolution, og de mulige verdiene er "Groveste", "Grove", "Middels", "Fin" og "Fineste".

Hvis du ikke angir denne ressursen, er standard oppførsel å bestemme hvilken oppløsning du vil bruke basert på størrelsen på plottet ditt og kartområdet. (Dette er "Uspesifisert" -innstillingen.)

Du bør bare bruke "Fin" eller "Finest" hvis du er zoomet ganske langt inn på kartet. De kan ta lang tid å tegne.

Hvis du vil bruke kartdatabasen "HighRes", må du laste ned RANGS-databasen.

maponly_21.ncl: Demonstrerer hvordan du fjerner linjene som skiller Nord-Amerika fra Mellom-Amerika, og Mellom-Amerika fra Sør-Amerika. Alle de 7 kontinentene er skissert når mpOutlineBoundarySets = "Geofysisk" (standard), som alle grenser som skiller land fra hav.

For å fjerne disse linjene må du angi følgende ressurser:
mpOutlineBoundarySets = "Ingen grenser"
mpOutlineSpecifiers = "Land"

maponly_24.ncl: Viser hvordan du legger til mindre kryss i et kart som bare har store kryss. Denne metoden fungerer bare hvis du har en rektangulær projeksjon og stiller inn pmTickMarkDisplayMode til "Alltid".

De gsn_blank_plot funksjonen brukes til å lage et kryssmerkeobjekt med mindre kryssmerker, og dette legges deretter på kartet ved hjelp av overlegg.

maponly_25.ncl: Viser hvordan du kan fylle klimadelingene i staten Idaho, og kommentere kartet med en etikettfelt og tekststrenger. maponly_26.ncl: Viser hvordan du slår på kartdatabasen med middels oppløsning og får bedre konturer for de karibiske øyer. maponly_27.ncl: Viser hvordan tegne et kart i fire kvadranter, ved hjelp av et lat / lon-stykke. Landfyllingen er satt til en annen farge for hver kvadrant, og visse grenser er slått av, avhengig av hvilken kvadrant du er i. maponly_28.ncl: Dette eksemplet viser oppdateringene til fylker i Colorado som ble lagt til i NCL V6.4.0. De to første bildene viser de oppdaterte fylkene, og de andre to bildene viser de utdaterte fylkene, hvis du bruker NCL V6.3.0 eller tidligere. For et eksempel som sammenligner disse nye fylkeskonturene med formfilskissene, se eksempel shapefiles_15.ncl på Shapefiles-eksempelsiden. maponly_29.ncl: Dette skriptet viser bruken av alle tre innstillingene til mpShapeMode ressurs, som påvirker størrelsesforhold og avgrensningsbokser for tomtene:

Deretter illustrerer det hvordan man kan panelere plott manuelt ved hjelp av visningsressurser, noe som er lettere enn å ringe gsn_panel når plottene har forskjellige størrelser, som i dette skriptet.

Finally, it demonstrates the use of the function drawNDCGrid to draw a grid of NDC coordinates on the plot, which is used for debugging purposes, and to help choose values for the vpXXX (viewport) resources.

For a similar example of using these resources when contouring data, see example dataonmap_14.ncl on the Plotting data on a map examples page.

maponly_30.ncl: This script shows how to use the mpMaskOutlineSpecifiers to remove the outlines of India, while keeping outlines from surrounding countries. In the third plot, meteorological subdivisions of India were added using a shapefile downloaded off the web.

Se videoen: R Spatial Data 1: Read in SHP File