DasyMapR - Περίπτωση χρήσης - Οι αιτήσεις στο ΕΑΠ

To “σφάλμα” της απεικόνισης

Αναναπαριστούμε τον αριθμό των αιτήσεων στα όρια του νομού γενικευοντας σε διαστήματα τόσα ώστε οι αποχρώσεις να διακρίνονται απο τον χρήστη. Αυτός ο χάρτης δημιουργεί εσφαλμένη εντύπωση στο χρήστη για 2 κυρίως λόγους. Καταρχήν σε καθε νομό φαίνεται ομοιογενής ο αριθμός των αιτούντων. Έτσι τα Κύθηρα φαίνεται να ανήκουν στην ίδια κατηγορία με την Αθήνα δηλαδή έχοντας αριθμό αιτήσεων μεταξύ 11000 και 350000. Το ίδιο βέβαια μπορεί να προκαλέσει και η επιλογή της διαίρεσης σε 5 διαστήματα τιμών όπου για τις περισσότερες περιοχές της επικράτειας δεν λαμβάνεται καμία πληροφορία (Οι 685 αιτήσεις απο το νομό Ευρυτανίας δίνουν την ίδια εντύπωση ~3500 της Άρτας). Το πρώτο σφάλμα “οφείλεται” στην “επιλογή” της μονάδας απαρίθμησης (περίπου όρια νομού) και αυτό θα επιχειρηθεί να “διορθωθεί” με την χρήση των εργαλείων που αναπτύχθηκαν.

par(mar = c(0.8, 0.8, 0.8, 0.8))
data("EAP.application.pre_err")
dasymapPlot(EAP.application.pre_err, 5)
title(main = "Οπτικοποιήση των αιτήσεων ανα Νομό")

err_map <- dasymapPlot.leaflet(EAP.application.pre_err, 5)
saveWidget(widget = err_map, file = "err_map.html", selfcontained = FALSE)

Διαδραστικός Χάρτης

“Πραγματικά δεδομένα” και περιορισμοί

Με βάση τους διορθωμένους Ταχυδρομικούς Κώδικές είναι δυνατό να δημιουργήσουμε μια “ρεαλιστικότερη” εικόνα για τις περιοχές που έγιναν οι αιτήσεις στο ΕΑΠ. Εδώ με την πληροφορία του Ταχυδρομικού Κώδικα που μας επιτρέπει να έχουμε αναφορά των αιτούντων στα όρια του προ “καποδιστριακού” Δήμου. Αυτή η “ρεαλιστικότερη” απεικόνιση όπου η επιλογή της μονάδα απαρίθμησης (περίπου τώρα τα όρια του π.κ. δήμου) έχει βελτιώσει την απεικόνιση των δεδομένων. θα μπορούσε μάλιστα να συγκριθεί με το αποτέλεσμα της δασυμετρικής χαρτογραφίας που θα εφαρμόζουμε στην συνέχεια.

par(mar = c(0.8, 0.8, 0.8, 0.8))
data("EAP.application.loc")
dasymapPlot(EAP.application.loc, 2)
title(main = "Χάρτης αιτήσεων στο ΕΑΠ (Κατανομή με T.K.) ")

pc_map <- dasymapPlot.leaflet(EAP.application.loc, 2)
saveWidget(widget = pc_map, file = "pc_map.html", selfcontained = FALSE)

Διαδραστικός Χάρτης

Ήδη αυτή η εικόνα δίνει άλλη αντίληψη για την διασπορά των υποψηφίων στην επικράτεια απ’ ότι ο προηγούμενος. Για παράδειγμα τα Κύθηρα δεν ανήκουν στις περιοχές με το υψηλότερο αριθμό δηλώσεων. Έχουμε το μεγαλύτερο αριθμό αιτήσεων στους Δήμους με μεγάλα Αστικά κέντρα κ.λ.π. Όμως και εδώ υπάρχουν σφάλματα λόγω των διοικητικών ορίων. Π.χ Μικροί Δήμοι εξυπηρετούνται απο το Ταχυδρομικό γραφείο της περιοχής του μεγαλύτερου Δήμου. Έτσι εμφανίζονται και πάλι με πλασματικό αριθμό αιτούντων λόγω της επιλογής της επιφάνειας απαρίθμησης.
Αν θέλαμε όμως να απεικονίσουμε την κατανομή σε μεγαλύτερη κλίμακα όπου δεν υπάρχουν δεδομένα απαρίθμησης ή τα στοιχεία έχουν συσσωματωθεί και αποκρύπτεται η εν λόγω πληροφορία τότε θα έπρεπε να χρησιμοποιήσουμε κάποια άλλη μέθοδο. Εδώ προτείνεται η μέθοδος της δασυμετρικής χαρτογραφία και το λογισμικό που αναπτύχθηκε στην R (DasyMapR) για να κάνει αυτή την εργασία.

Ας δούμε τώρα μία απεικόνιση του φαινομένου ‘αιτήσεις ΕΑΠ’ σε πιο μεγάλη κλίμακα. Επιλέγεται η Αττική και πιο συγκερκιμένα ο Βόρειος (NUTS 301) o Δυτικός (NUTS 302) και Κεντρικός (NUTS 303) και αποδίδεται πλέον με χάρτη κουκίδων.Σε κάθε κουκκίδα αντιστοιχούν 100 αιτήσεις και τοποθετείται τυχαία στο πολύγωνο του τομέα. Ας αντιληφθούμε την διαδικασία σαν προσπάθεια να τοποθετήσουμε την κουκκίδα στην (όσο το δυνατόν) πραγματική της θέση. Αυτό θα γίνει με την προβολή της επιφάνειας πηγής στον κάναβο την χρήση βοηθιτικής επιφάνειας και τέλος την εφαρμογή δασυμετρικών υπολογισμών

# Φορτώνουμε τα όρια NUTS. Χρησιμοποείται η EtrsTransform του Πακέτου
# DasyMapR για την αλλαγή του συστήματος συντεταγμεων στο επιθυμητό ETRS.
NUTS_2013_01M_EL_ETRS <- EtrsTransform(NUTS_2013_01M_EL)
# Μας ενδιαφέρπυν οι περιφεριακές ενότητες(νομοι)
NUTS_2013_01M_EL_ETRS <- NUTS_2013_01M_EL_ETRS[grep("^EL\\d{3}", NUTS_2013_01M_EL_ETRS[["NUTS_ID"]]), 
    ]
count.EAP.applicants <- as.data.frame(table(candidates_addresses_el_cor["NUTS_313"], 
    dnn = "NUTS_ID"), stringAsFactor = F)
EAP.application.NUTS <- merge(x = NUTS_2013_01M_EL_ETRS, y = count.EAP.applicants, 
    by = "NUTS_ID")
# H χρήση της merge ενδεχομένως να προκαλέσει αλλαγή στα rownames του
# dataframe οπότε έστω και προληπτικά τα διορθώνουμε
row.names(EAP.application.NUTS@data) <- sapply(slot(EAP.application.NUTS, "polygons"), 
    function(x) slot(x, "ID"))

# Διαλέγουμε περιοχή
Attiki <- EAP.application.NUTS[grep("^EL30[1-6]", EAP.application.NUTS[["NUTS_ID"]]), 
    ]
EAP.application.NUTS.30 <- EAP.application.NUTS[grep("^EL30[1-3]", EAP.application.NUTS[["NUTS_ID"]]), 
    ]
applicants <- EAP.application.NUTS.30@data$Freq/100
plot(EAP.application.NUTS.30)
for (i in 1:length(EAP.application.NUTS.30)) {
    EAP.application.NUTS.30.pl <- SpatialPolygons(EAP.application.NUTS.30@polygons)
    points(spsample(EAP.application.NUTS.30.pl[i], applicants[i], "random"), 
        pch = 3, cex = 0.02, col = 2)
}
title(main = "Χάρτης αιτήσεων στο ΕΑΠ", sub = "Περιφέρεια Αττικής (Βορ,Κεντ.,Δυτ. Τομέας")
plot(Attiki, add = T, )

kable(head(EAP.application.NUTS.30@data[, c(1, 5)]), col.names = c("NUTS_ID", 
    "Αιτήσεις"))

	NUTS_ID	Αιτήσεις
745	EL301	65139
746	EL302	41825
747	EL303	118679

Χρήση του LAEA καναβου με δεδομένα απο την απο την Eurostat (resolution 1km)

Θα κάνουμε αρχικά χρήση δεδομένων του ESPOΝ ως βοηθητικής επιφάνειας δηλαδή το κάναβο LAEA με βοηθητική επιφάνεια με (γεωστατιστική επιφάνεια) του πληθυσμού του 2011 όπως αυτός έχει κατανεμηθεί με αρκετά περίπλοκους αλγορίθμους στον κάναβο ETRS.

Θα ανάγουμε καταρχήν τις αιτήσεις σε αριθμό αιτήσεων αν 1000 κατοίκους κάνοντας χρήση δεδομένων της EUROSTAT. Αυτό θα γίνει για να χρησιμοποιηθεί στην κατανομή που θα ακολουθήσει αλλά επιπλέον τονίζεται για να δειχθεί ότι η απεικόνιση περισσότερο του ενός φαινομένων είναι ένας τρόπος “εξόρυξης γνώσης”.

Μεταφορτώνονται τα δεδομένα

# O παρακάτω κώδικας δεν τρέχει πάντα γιατί εξαρτάται απο την σύνδεση
# nama_10r_3popgdp <- get_eurostat(id = 'nama_10r_3popgdp' ,filters =
# list(time=2013),time_format = 'num')
POP_EL <- nama_10r_3popgdp[grep("^EL\\d{3}", nama_10r_3popgdp$geo), ]
kable(head(POP_EL))

	unit	geo	time	values
670	THS	EL301	2009	616
671	THS	EL302	2009	512
672	THS	EL303	2009	1097
673	THS	EL304	2009	555
674	THS	EL305	2009	504
675	THS	EL306	2009	167

POP_EL.30 <- nama_10r_3popgdp[grep("^EL30[1-6]", nama_10r_3popgdp$geo), ]

και κάνουμε τους υπολογισμούς

EAP.application.NUTS@data$POP <- unlist(sapply(EAP.application.NUTS$NUTS_ID, 
    FUN = function(x) POP_EL$values[match(x, POP_EL$geo)]))
EAP.application.NUTS[["appPerhab"]] <- round(EAP.application.NUTS@data$Freq/EAP.application.NUTS@data$POP, 
    0)
kable(head(EAP.application.NUTS))

	NUTS_ID	STAT_LEVL_	SHAPE_AREA	SHAPE_LEN	Freq	POP	appPerhab
667	EL522	3	0.3924027	4.937318	93328	1136	82
668	EL523	3	0.2700854	3.152490	3252	81	40
669	EL524	3	0.2679729	3.318840	6994	142	49
670	EL525	3	0.1616531	2.621749	7195	127	57
671	EL631	3	0.5604019	6.666641	10719	215	50
672	EL632	3	0.3360470	3.150293	33266	316	105

Ας δούμε και πάλι τα αποτελέσματα σε ένα διαδραστικό χάρτη.

par(mar = c(0.8, 0.8, 0.8, 0.8))
dasymapPlot(EAP.application.NUTS, 7)
title(main = "Χάρτης αιτήσεων στο ΕΑΠ", sub = "αιτήσεις ανα 1000 κατοίκους")

app_per_ths <- dasymapPlot.leaflet(EAP.application.NUTS, 7)
saveWidget(widget = app_per_ths, file = "app_per_ths.html", selfcontained = FALSE)

Διαδραστικός Χάρτης

Ένα λοιπόν συμπέρασμα μπορεί να είναι ότι όπου υπάρχει υψηλός αριθμός φοιτητών υπάρχουν και πολλές αιτήσεις στο ΕΑΠ. (Πάτρα,Ιωάννινα,Αθηνά…) Θα μπορούσε λοιπόν κάποιος να συσχετίσει το τόπο κατοικίας φοιτητών στην Αθήνα με π.χ. αιτήσεις σε συγκεκριμένα προγράμματα? Ή να συνδέσει το εισόδημα με τις αιτήσεις. Π.χ. ο βόρειος τομέας έχει μεγαλύτερο αριθμό αιτήσεων ανά κάτοικο απο τον δυτικό τομέα (Αττική). Τα παραπάνω δεν είναι το κύριο αντικείμενο του κειμένου όμως προσπαθούν να κεντρίσουν το ενδιαφέρον για την ενασχόλησή με τα αποτελέσματα της εργασίας.

Προετοιμάσια επιφάνειας πηγής (resolution 1000m)

Θα μετατρέψουμε την στατιστική επιφάνεια “αιτήσεις ανά 1000 κατοίκους” σε κάναβο με την χρήση της etrsSurfacePar που αναπτύχθηκε και περιέχεται στο πακέτο (μέθοδος που κάνει διάχυτο υπολογισμό) που επιταχύνει πολύ τους υπολογισμούς. Ας επιλέξουμε την Αττική για οικονομία χρόνου και χώρου.

EAP.application.NUTS.30 <- EAP.application.NUTS[grep("^EL30[1-6]", EAP.application.NUTS[["NUTS_ID"]]), 
    ]
EAP.application.NUTS.grid.30 <- etrsSurfacePar(EAP.application.NUTS.30, over.method.type = "MaxArea", 
    cell.size = 1000)

## ~~~ ETRS validity ~~~

Χρησιμοποιούμε την joinMaxAreaSurfaceDataFrames, επίσης μέθοδος του πακέτου, για ενημερώσουμε την επιφάνεια που δημιουργήσαμε με τα atrributes της επιφάνειας πηγής.

EAP.application.NUTS.grid.30 <- joinMaxAreaSurfaceDataFrames(the.surface = EAP.application.NUTS.30, 
    the.EtrsSurface = EAP.application.NUTS.grid.30)

Και τελικά ας δούμε την επιφάνεια πηγή που παράχθηκε με την βοήθεια της συνάρτησης dasymaplot του πακέτου που παράγει χωροπληθείς χάρτες 5 τάξεων.

# EAP.application.NUTS.grid.30<-EAP.application.NUTS.grid[grep('^EL30[1-6]',EAP.application.NUTS.grid[['NUTS_ID']]),]
dasymapPlot(EAP.application.NUTS.grid.30, 11)
title(main = "Χάρτης αιτήσεων στο ΕΑΠ", sub = "Επιφάνεια Πηγή σε τομείς της Αττικής")

kable(head(EAP.application.NUTS.grid.30))

	FEATURE	CELLCODE	EASTOFORIGIN	NORTHOFORIGIN	NUTS_ID	STAT_LEVL_	SHAPE_AREA	SHAPE_LEN	Freq	POP	appPerhab
1kmE5536N1765	745	1kmE5536N1765	5536000	1765000	EL301	3	0.0136015	0.7073062	65139	616	106
1kmE5534N1766	745	1kmE5534N1766	5534000	1766000	EL301	3	0.0136015	0.7073062	65139	616	106
1kmE5535N1766	745	1kmE5535N1766	5535000	1766000	EL301	3	0.0136015	0.7073062	65139	616	106
1kmE5536N1766	745	1kmE5536N1766	5536000	1766000	EL301	3	0.0136015	0.7073062	65139	616	106
1kmE5531N1767	745	1kmE5531N1767	5531000	1767000	EL301	3	0.0136015	0.7073062	65139	616	106
1kmE5533N1767	745	1kmE5533N1767	5533000	1767000	EL301	3	0.0136015	0.7073062	65139	616	106

Ας δούμε τώρα αν μπορούμε να χρησιμοποιήσουμε δεδομένα από τις UMZ200 που ειδικά για το πληθυσμό προσφέρονται δεδομένα στον ETRS-LAEA κάναβο για τα έτη 2006 2011 που έχουν προκύψει με αρκέτα περίπλοκους αλγόριθμους.

kable(head(GEOSTAT_grid_POP_1K_2011_V2_0_el))

	TOT_P	GRD_ID	CNTR_CODE	METHD_CL	YEAR	DATA_SRC	TOT_P_CON_DT
1059777	4	1kmN1910E5127	EL	M	2011	EL	0
1059778	108	1kmN1911E5127	EL	M	2011	EL	0
1059779	30	1kmN1910E5128	EL	M	2011	EL	0
1059780	250	1kmN1911E5128	EL	M	2011	EL	0
1059781	41	1kmN1917E5141	EL	M	2011	EL	0
1059782	19	1kmN1918E5141	EL	M	2011	EL	0

Μία πιο προσεκτική ματιά σε αυτά τα δεδομένα δείχνει δεν ακολουθούν την προτεινόμενη κωδικοποίηση των κελιών της INSPIRE Specification on Geographical Grid Systems Θα γίνει χρήση της μέθοδοι etrsReverseCellCode του πακέτου DasyMapR. Τέλος Η απλή συγχώνευση μας δίνει ένα κάναβο με τις δυο τιμές που ενδιαφέρουν δηλαδή του των αριθμό των κατοίκων ανά κελί και τον αριθμό των κατοίκων ανά 1000 κατοίκους.

GEO_POP_2011_rev <- etrsReverseCellCode(df = GEOSTAT_grid_POP_1K_2011_V2_0_el, 
    cell.code.col = 2)
GEO_POP_2011_rev <- GEO_POP_2011_rev[, c(1, 8)]

EAP.application.NUTS.grid.30 <- merge(EAP.application.NUTS.grid.30, by = 0, 
    GEO_POP_2011_rev, all = F)
row.names(EAP.application.NUTS.grid.30@data) <- sapply(slot(EAP.application.NUTS.grid.30, 
    "polygons"), function(x) slot(x, "ID"))

EAP.application.NUTS.grid.30@data$applicants <- round((EAP.application.NUTS.grid.30@data$appPerhab * 
    EAP.application.NUTS.grid.30@data$TOT_P)/1000, 0)

Ας δούμε και πάλι την κατανομή σε ανά χάρτη με τους αιτούντες ανά κελί

dasymapPlot(EAP.application.NUTS.grid.30, 15)

cell_applicants <- dasymapPlot.leaflet(EAP.application.NUTS.grid.30, 15)
saveWidget(widget = cell_applicants, file = "cell_applicants.html", selfcontained = FALSE)

Διαδραστικός Χάρτης

Δασυμετρικοί υπολογισμοί (resolution 500m)

Οι υπολογισμοί που ακολουθούν θα γίνουν με τις αμιγώς δασυμετρικές μεθόδους που αναπτύχθηκαν δημιουργώντας και την βοηθητική επιφάνεια. Αρχικά θα κάνουμε χρήση των δεδομένων CORINE που αφορούν την κάλυψη. Ξεκινάμε πάλι με την προετοιμασία της επιφάνειας πηγής.

Η Επιφάνεια Πηγή

Ο αριθμός των αιτούντων ανά νομό θα προβληθεί στον ETRS κάναβο δημιουργώντας την επιφάνεια πηγή. Αρχικά θα Θα πρέπει να μετατραπεί από απόλυτη τιμή σε πυκνότητα αιτούντων. Στο πακέτο έχει αναπτυχθεί η μέθοδος :DasyMapR::ActullVal2Density που θα κάνει την μετατροπή

EAP.application.NUTS.301 <- EAP.application.NUTS[grep("^EL30[123]", EAP.application.NUTS[["NUTS_ID"]]), 
    ]
# Διαιρούμε με το εμβαδό της νεάς μονάδας απαρίθμισης
EAP.application.NUTS.301 <- ActuallVal2Density(EAP.application.NUTS.301, surface.value.col = 5, 
    area.unit = 250000)
EAP.source.surface <- etrsSourceSurface(input.surface = EAP.application.NUTS.301, 
    over.method.type = "PropCal", surface.value.col = 7, cell.size = 500)

## ~~~ ETRS validity ~~~
## ~~~ ETRS validity ~~~
## ~~~ ETRS validity ~~~
## ~~~ ETRS validity ~~~

dasymapPlot(EAP.source.surface, 4)
title(main = "Χάρτης αιτήσεων στο ΕΑΠ Τομείς Αττικής (Β,Κ,Δ)")

kable(head(EAP.source.surface@data))

	CELLCODE	EASTOFORIGIN	NORTHOFORIGIN	CELLVALUE
500mE55310N17575	500mE55310N17575	5531000	1757500	0.2916
500mE55305N17580	500mE55305N17580	5530500	1758000	1.6416
500mE55310N17580	500mE55310N17580	5531000	1758000	97.3512
500mE55315N17580	500mE55315N17580	5531500	1758000	77.0904
500mE55320N17580	500mE55320N17580	5532000	1758000	51.7752
500mE55325N17580	500mE55325N17580	5532500	1758000	26.4492

Η κατανομή που έγινε στα κελιά του κανάβου περίπου ίσο κατένειμε τον αριθμό των αιτήσεων με εξαίρεση τα οριακά κελιά. Ας το δούμε στο χάρτη που ακολουθεί. Θα χρειαστούμε κάποια βοηθητικά δεδομένα για να επιτύχουμε την ρεαλιστικότερη κατανομή των αιτούντων στο χώρο. Είναι απολύτως λογικό να θεωρήσουμε ότι οι ταχυδρομικοί κώδικες αντιστοιχούν σε κατοικημένες περιοχές. Αυτή είναι και η βοηθητική επιφάνεια που θα χρησιμοποιήσουμε. δηλαδή τις κατοικημένες περιοχές όπως δίνονται απο τα αρχεία το πρόγραμμα CORINE

Η βοηθιτική Επιφάνεια

Για να δημιουργήσουμε την βοηθητική επιφάνεια θα χρησιμοποιήσουμε την συνάρτηση etrsAncillarySurface μέθοδο που έχει αναπτυχθεί και περιλαμβάνεται στο πακέτο DasyMapR και θα φορτωθούν τα δεδομένα που περιέχονται στο πακέτο.

residential.areas <- clc_v2_code_11x_el[EAP.application.NUTS.301, ]
# residential.areas<-residential.areas[-10,]
bound301 = list(EAP.application.NUTS.301, border = 2, lwd = 2)
bound = list(EAP.application.NUTS)
spplot(residential.areas, "code_00", main = "Περιοχές Κατοικίας  CORINE", 
    sp.layout = list(bound, bound301), col.regions = rev(terrain.colors(2)))

Θα αποδώσουμε και σχετικές πυκνότητες για τις περιοχές κάνοντας την παραδοχή ότι στις πυκνοδομημένες περιοχές (111 - Συνεχής αστική οικοδόμηση) θα έχουμε περισσότερες κατοικίες απο ότι στις πιο αραιοδομημένες (112 - Διακεκομμένη αστική οικοδόμηση)

ReDens111 <- round(3/4, 2)
ReDens112 <- round(1/4, 2)
residential.areas@data[which(residential.areas@data[, "code_00"] == 111), "ReDens"] <- ReDens111
residential.areas@data[which(residential.areas@data[, "code_00"] == 112), "ReDens"] <- ReDens112
residential.areas.anc <- etrsAncillarySurface(input.surface = residential.areas, 
    over.method.type = "PropCal", surface.value.col = 2, cell.size = 500, binary = F)

## ~~~ ETRS validity ~~~
## ~~~ ETRS validity ~~~
## ~~~ ETRS validity ~~~

spplot(residential.areas.anc, "WCELLWEIGHT", main = "Περιοχές Κατοικίας  Βοηθητική Επιφάνεια / grided", 
    sp.layout = list(bound, bound301), edge.col = "lightgrey", col.regions = terrain.colors(10), 
    cuts = 9)

Οι Δασυμετρικοί Υπολογισμοί

H μέθοδος για την εφαρμογή των δασυμετρικών υπολογισμών που θα κλιθεί είναι etsrDasymetricSurface και θα έχει ως ορίσματα την επιφάνεια πηγή και την βοηθητική επιφάνεια.

EAP.dasymetric.surface <- EtrsDasymetricSurface(input.surface.grided = EAP.source.surface, 
    ancillary.grided = residential.areas.anc)

## ~~~ ETRS validity ~~~

EAP.dasymetric.surface[["DASYCELL"]] <- round(EAP.dasymetric.surface[["DASYCELL"]], 
    0)

Ας εξετάσουμε τα αποτελέσματα των υπολογισμών μας και την νέα μας κατανομή για τις αιτήσεις των υποψηφίων στο ΕΑΠ.

dasymapPlot(EAP.dasymetric.surface, 6)
title(main = "Χάρτης αιτήσεων στο ΕΑΠ", sub = "Δασυμeτρική επιφάνεια")
plot(pc_regions[EAP.application.NUTS, ], border = "1", add = T, lty = 3)
kable(head(EAP.dasymetric.surface@data[, c(1, 6)]), col.names = c("Κωδικός Κελλιου", 
    "Αιτήσεις"))

	Κωδικός Κελλιου	Αιτήσεις
429	500mE55310N17575	0
396	500mE55305N17580	2
430	500mE55310N17580	95
465	500mE55315N17580	75
504	500mE55320N17580	49
544	500mE55325N17580	3

Είναι αναμενόμενο τα αστικά κέντρα να έχουν μεγαλύτερο αριθμό αιτήσεων απο τους οικισμούς οι τις αγροτικές περιοχές και αυτό αποτυπώνεται στο χάρτη. Ως δούμε τώρα σε ένα διαδραστικό χάρτη πως διαμορφώθηκε η κατανομή

par(mar = c(0.8, 0.8, 0.8, 0.8))
dasymapPlot(EAP.dasymetric.surface, 6)

Dasymetric_leaflet <- dasymapPlot.leaflet(EAP.dasymetric.surface, 6)
saveWidget(widget = Dasymetric_leaflet, file = "Dasymetric_leaflet.html", selfcontained = FALSE)

Διαδραστικός χάρτης

Με μια σύντομη περιήγηση διαπιστώνεται ότι αυτή η κατανομή των αιτήσεων δεν είναι ακριβέστερη της προηγούμενης όμως είναι δυνατόν με κατάλληλη επιλογή συντελεστών να παράγει καλυτερα αποτελέσματα. Για αυτό θα μπορούσε να χρησιμοποιηθεί η μέθοδος ‘etrsProWeightedValue’ που συνοδεύει το πακέτο εφόσον είναι διαθέσιμοι (Μπορεί κάποιος να αντρέξει στο άλλο Vignettte του πακέτου-GDP). Θα μπορούσαμε π.χ. να “να βελτιώσουμε” την πληροφορία “Διακεκομμένη αστική Δόμηση” προσδιορίζοντας τις περιοχές που αυτή διακόπτεται. Ακολουθεί μία τέτοια διαδικασία με τα εργαλεία που έχουν αναπτυχθεί με διαφορετική όμως μέθοδο.

RASTER Δεδομένα

Τα δεδομένα raster είναι δημοφιλή για την αποθήκευση γεωγραφικών δεδομένων οπότε και μπορούν να βρεθούν σε αυτή τη μορφή βοηθητικές-επιφάνειες (δορυφορικές εικόνες, αεροφωτογραφίες, αναλογικοί χάρτες, σαρώσεις radar κ.λ.π). Έχουν αναπτυχθεί κάποια εργαλεία για την αξιοποίηση πληροφοριών απο τέτοια δεδομένα. Εδώ Θα χρησιμοποιήσουμε ένα raster αρχείο όπου αποτυπώνονται οι σκληρές επιφάνειες σε ανάλυση ανά 100 m που διατίθενται απο την EEA Θεωρώντας ότι η “εμφάνιση” μίας κατοικίας απαιτεί δομημένο (κτίσμα) περιβάλλον φορτώνουμε τις “σκληρες επιφάνειες” για τις περιοχές του B,Κ,Δ Τομέα της Περιφέρειας Αττικής και θα βελτιώσουμε την κατανομή των αιτούντων του προηγούμενου παραδείγματος.

EAP.application.NUTS.301 <- EAP.application.NUTS[grep("EL30[1-3]", EAP.application.NUTS[["NUTS_ID"]]), 
    ]
aRaster <- crop(mosaic_100m_sealing_el, EAP.application.NUTS.301)
plot(aRaster, col = terrain.colors(10))
plot(EAP.application.NUTS.301, border = 2, lwd = 2, add = T)

Με την χρήση της μεθόδου raster2Ancillary θα παράγουμε βοηθητική επιφάνεια απο τις σκληρές επιφάνειες

mosaic_100m_sealing_301.anc <- raster2Ancillary(aRaster = aRaster, cell.size = 500, 
    attr_divisor = 100)

## ~~~ ETRS validity ~~~
## ~~~ ETRS validity ~~~

spplot(mosaic_100m_sealing_301.anc, "WCELLWEIGHT", main = "Σκληρές επιφάνειες  sealing surfaces", 
    sp.layout = list(bound, bound301), col.regions = terrain.colors(10), cuts = 9)

Θα χρησιμοποιήσουμε την προηγούμενη δασυμετρική επιφάνεια που έγινε χρήση των καλύψεων γης CORINE για να βελτιώσουμε την κατανομή.

EAP.dasymetic.surface2source <- etrsDasymetric2Source(d = EAP.dasymetric.surface)
EAP.dasymetic.surface.mosaic <- EtrsDasymetricSurface(input.surface.grided = EAP.dasymetic.surface2source, 
    ancillary.grided = mosaic_100m_sealing_301.anc)

## ~~~ ETRS validity ~~~

EAP.dasymetic.surface.mosaic[["DASYCELL"]] <- round(EAP.dasymetic.surface.mosaic[["DASYCELL"]], 
    0)
dasymapPlot(EAP.dasymetic.surface.mosaic, col.value = 6)
title(main = "Βελτίωση της επιφάνειας")

mosaic_dasy <- dasymapPlot.leaflet(EAP.dasymetic.surface.mosaic, col.value = 6)
saveWidget(widget = mosaic_dasy, file = "mosaic_dasy.html", selfcontained = FALSE)

Διαδραστικός χάρτης

Με μία πρώτη ματιά φαίνεται ότι δεν έχουν μεταβληθεί και πολύ οι τιμές. Όμως ακόμη και η απλή παρατήρηση του υπομνήματος δίχνει ότι έχει διαφοροποιηθεί η κατανομή των αιτούντων.