Trazado de datos geoespaciales con Cartopy

Muy buenas, soy Miguel y esta vez les traigo un nuevo post.

Una biblioteca de Python para hacer mapas estáticos de alta calidad

Con la era de los macrodatos llega la era de los grandes datos geoespaciales. Los investigadores tienen cada vez más acceso a información geográfica que puede hacer cualquier cosa, desde rastrear los patrones de migración de especies en peligro de extinción hasta mapear cada tienda de donas en el país.

Para ayudar a visualizar esta información, la biblioteca de Python Cartopy Puede crear mapas profesionales y publicables con solo unas pocas líneas de código. Construido con Matplotlib en mente, su sintaxis es familiar y fácil de entender.

Mapas simples

Para empezar, crearemos el mapa mundial más simple posible. Antes de escribir cualquier código pesado, se deben instalar las bibliotecas Cartopy y Matplotlib en Python.

import cartopy.crs as crs
import cartopy.feature as cfeature
import matplotlib.pyplot as plt

Arriba, las bibliotecas de requisitos previos están importadas y listas para usar.

# Initialize the figure
figure = plt.figure(figsize=(8,6))

# use the Mercator projection
ax = figure.add_subplot(1,1,1, projection=crs.Mercator(())

# Add feature to the map
ax.stock_img()

plt.show()

Las siguientes líneas de código pasan por el proceso básico de creación de un mapa:

Con solo unas pocas líneas de códigos, se crea lo mínimo para un mapa. Desafortunadamente, este mapa es bastante sencillo, por lo que le agregaremos algunas características adicionales.

figure = plt.figure(figsize=(8,6))

ax = figure.add_subplot(1,1,1, projection=crs.Mercator())

# adds a stock image as a background
ax.stock_img()

# adds national borders
ax.add_feature(cfeature.BORDERS)

# add coastlines
ax.add_feature(cfeature.COASTLINE)

plt.show()

Al modificar la variable ax, se agrega más información al mapa. En este caso, se trazan las fronteras nacionales y las costas.

Las características adicionales, como el mapa de los principales ríos y lagos, también se incluirán con el mismo método. Se puede encontrar una lista completa de características aquí.

Diferentes proyecciones

Los mapas anteriores utilizan la famosa proyección de Mercator. Si bien es perfectamente suficiente en la mayoría de los casos, el mapa de Mercator distorsiona el tamaño de las tierras porque extiende una esfera a un cuadrado. Afortunadamente, Cartopy admite otras proyecciones.

figure = plt.figure(figsize=(8,6))

# set the projection to Mollweide
ax = figure.add_subplot(1,1,1, projection=crs.Mollweide())
ax.stock_img()

plt.show()

Al cambiar el argumento de proyección de crs.Mercator () a crs.Molleweide (), se crea una proyección diferente, más elíptica (y precisa).

figure = plt.figure(figsize=(8,6))

# Set the projection to Interrupted Goode Homolosine
ax = figure.add_subplot(1,1,1, 
projection=crs.InterruptedGoodeHomolosine())
ax.stock_img()

plt.show()

Se puede producir una proyección aún más precisa usando InterruptedGoodeHomolosine () en el argumento de proyección.

Estas no son de ninguna manera las únicas proyecciones que Cartopy puede mapear. Se puede encontrar una lista completa aquí.

Acercar y alejar las regiones

Si bien los mapas del mundo son útiles en muchos contextos, a menudo los datos deben representarse en un área local, como un continente o un país.

figure = plt.figure(figsize=(8,6))

ax = figure.add_subplot(1,1,1, projection=crs.Mercator())
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.STATES)

# Zoom in on the US by setting longitude/latitude parameters
ax.set_extent(
[
-135, # minimum latitude
-60, # min longitude
20, # max latitude
55 # max longitude
],
crs=crs.PlateCarree()
)
plt.show()

Una vez que se inicializa el mapa y se agregan las características habituales, la variable ax se modifica adicionalmente con el método set_extent (), que especifica los rangos de  longitud y latitud  para establecer el enfoque en el mapa.

Tenga en cuenta el argumento crs, que especifica qué sistema de coordenadas utilizar. La convención general es utilizar las coordenadas de la proyección de  Plate Carrée  incluso si no está de acuerdo con la proyección del mapa, porque produce resultados más predecibles.

Mapas de dispersión

Hasta ahora, solo hemos hablado de producir mapas genéricos, pero ahora discutiremos cómo trazar datos en esos mapas. El único requisito es que cada observación tenga una latitud y longitud válidas.

Para demostrarlo, se tomó un archivo fuente de 341 aeropuertos de EE. UU. De Kaggle y se representará en un mapa de dispersión.

import pandas as pd

# Read the data
df = pd.read_csv("airports.csv")

Antes de realizar cualquier mapeo, la biblioteca Pandas se importa para estructurar los datos y el archivo CSV se lee en un DataFrame.

figure = plt.figure(figsize=(8,6))

ax = figure.add_subplot(1,1,1, projection=crs.PlateCarree())
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.STATES)

ax.set_extent(
[-135, -60, 20, 55],
crs=crs.PlateCarree()
)

# modify the plot by adding a scatterplot over the map
plt.scatter(
x=df["LONGITUDE"],
y=df["LATITUDE"],
color="red",
s=4,
alpha=1,
transform=crs.PlateCarree()
)

plt.show()

Esencialmente, después de crear un mapa, Matplotlib agrega un diagrama de dispersión en la parte superior de la imagen. Para aquellos familiarizados con la popular biblioteca de gráficos, la sintaxis debería resultar muy familiar.

Para aquellos que no lo están, el desglose de los argumentos es:

Se pueden pasar argumentos adicionales en el diagrama de dispersión para personalizarlo aún más. Puede encontrar una lista completa aquí.

También tenga en cuenta el argumento de transformación, que, por convención, usa la proyección Plate Carrée por una razón similar a set_extent ().

Conclusiones

Cartopy es una biblioteca de mapas diversa. Al permitir varias proyecciones y sistemas de coordenadas, admite una amplia gama de posibles casos de uso, desde el seguimiento ecológico hasta la inteligencia empresarial.

Su integración con Matplotlib, sin embargo, se destaca como una increíble herramienta de análisis de datos.

Si bien solo se demostró un mapa de dispersión simple, su uso amplio y flexible de Matplotlib significa que se puede proyectar un número diverso de diagramas y gráficos en un mapa.

Espero que te haya servido. Gracias por leer.