Angewandte Geodatenverabeitung

Nils Riach & Rafael Hologa

GIS-gestützte Verfahren für die Bearbeitung raumbezogener Daten werden i.d.R. mit Desktop-GIS-Lösungen erlernt und durchgeführt. Für eine operationelle, immer wieder auftretende gleichartige Bearbeitung von Daten können Skriptsprachen eingesetzt werden. Als Alternative können solche automatisierten Verfahren anhand der freien Programmiersprache R skriptbasiert operationalisiert werden. In den hier angebotenen Materialien, in deutscher und englischer Sprache, soll die Gestaltung effektiver, transparenter und reproduzierbarer Arbeitsabläufe erlernt werden.

Dabei werden Kenntnisse der wichtigsten R-Pakete für die Verarbeitung von Geodaten, ein Verständnis von einzelne Prozessierungsschritten und deren Erläuterung erzielt. Nach der Einübung sind Sie mit den Basisfunktionen zur skriptbasierten Verarbeitung von Geodaten vertraut, erlangen die Fähigkeit zur eigenständigen Modellierung eines Arbeitsablaufs zur Verarbeitung und Visualisierung von Geoinformationen mittels R-Studio. Schließlich sind Sie in der Lage Lösungsstrategien auf andere Problemstellungen zur übertragen und üben sich in der kritischen Bewertung von Stärken und Schwächen eines gewählten Modellablaufs.

Die hier angebotenen Tutorials, Skripte und Übungsdatensätze sind u.a. inspiriert durch nachfolgende Quellen, deren Autoren unser besonderer Dank gilt und, die zur weiteren Vertiefung empfohlen werden:

Bivand, R. S., Pebesma, E. J., & Gómez-Rubio, V. (2008): Applied Spatial Data Analysis with R. Media. New York, NY: Springer New York. https://doi.org/10.1007/978-0-387-78171-6

Hijmans, Robert J. & Etten, J. v. (2012): raster: Geographic analysis and modeling with raster data. Rpackage version 2.0-12. URL: http://CRAN.R-project.org/package=raster

Kahle, D. & Wickham, H. (2013): ggmap: Spatial Visualization with ggplot2. In: The R Journal, 5(1), 144-161. URL: http://journal.r-project.org/archive/2013-1/kahle-wickham.pdfGdal

Pebesma, E. (2018): Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal, https://journal.r-project.org/archive/2018/RJ-2018-009/

Tennekes, M. (2018). “tmap: Thematic Maps in R.” Journal of Statistical Software, 84(6), 1–39. doi: 10.18637/jss.v084.i06.

Wickham, H. & Grolemund, G. (2016): R for Data Science. https://r4ds.had.co.nz/

Xie, Y. (2018). knitr: A General-Purpose Package for Dynamic Report Generation in R. R package version 1.20.

Darüber hinaus gilt an dieser Stelle unser Dank den zahlreichen Beitragenden der Open Source Community, die diese Sammlung erst möglich macht.