Пример анализа географических данных по пожарам
пример анализа географических данных по пожарам с использованием языка программирования R
Для работы с географическими данными в языке программирования R существует большое количество различных библиотек. Хорошим источником по анализу, визуализации и моделированию геоданных может служить книга Geocomputation with R или учебник Визуализация и анализ географических данных на языке R.
Замечательный сервис city roads позволяет по названию города отобразить карты дорог из OpenStreetMap - свободно доступной базы данных всех местоположений в мире с открытой лицензией.
Карта дорог города Новосибирска
Мы сделаем практически тоже самое, но дополнительно нанесем необходимые аналитические данные на карту.
Здесь будет рассмотрена работа с сервисом OpenStreetMap на примере библиотеки osmdata, которая использует Overpass API. Данные, которые мы будем обрабатывать и визуализировать, относятся к количеству пожаров в городе Новосибирске за последние несколько лет.
Исходные данные по пожарам
Подключим небходимые библиотеки.
library(tidyverse)
library(magrittr)
library(RCurl)
library(osmdata)Загрузим данные по пожарам в Новосибирске1, включающие период с 2016 года по 2020 год, предварительно удалив при этом строки, содержащие пропущенные данные.
Отметим, что наши данные не охватывают полный объем значений по количеству пожаров, а только те данные, где удалось получить географические координаты по адресам пожаров и служат исключительно для иллюстрации рассматриваемых методов. Тем не менее, данные хорошо передают общую тенденцию и описываемые подходы обработки данных и их визуализации.
url <- getURL("https://raw.githubusercontent.com/materov/blog_data/main/fire_NSK.csv")
fire <- read.csv(text = url)
fire %<>% na.omit()
fire %<>% as_tibble()
fire$DATE_ZVK %<>% as.Date()
fire## # A tibble: 5,134 x 13
## X NOMER_ZVK DATE_ZVK ADDRES RIDE_TYPE OBJECT_CATEGORIE geo_lon geo_lat
## <int> <int> <date> <fct> <fct> <fct> <dbl> <dbl>
## 1 1 1600038 2016-01-01 ул. Мя… Тушение … Транспортные ср… 82.9 55.1
## 2 2 1600071 2016-01-01 ул. Ша… Тушение … Многоквартирный… 83.1 54.9
## 3 3 1600255 2016-01-02 ул. Ку… Тушение … Многоквартирный… 83.0 55.0
## 4 5 1600287 2016-01-02 ул. Но… Тушение … Многоквартирный… 83.0 55.1
## 5 6 1600319 2016-01-03 ул. Фа… Тушение … Здания производ… 82.9 55.0
## 6 7 1600410 2016-01-03 ул. Вы… Тушение … Одноквартирный … 83.0 55.0
## 7 8 1600412 2016-01-03 мрн. Г… Тушение … Многоквартирный… 82.9 55.0
## 8 9 1600435 2016-01-04 ул. Шк… Тушение … Прочие обьекты … 82.9 55.0
## 9 10 1600436 2016-01-04 ул. Си… Тушение … Транспортные ср… 82.9 55.0
## 10 11 1600440 2016-01-04 ул. Вы… Тушение … Транспортные ср… 83.0 55.0
## # … with 5,124 more rows, and 5 more variables: PRIB_TIME <int>,
## # LOC_TIME <int>, LPP_TIME <int>, SQUARE_LOC <dbl>, PERSONNEL <dbl>Для дальнейшего анализа оставим только значимые переменные в таблице:
- дату пожара;
- категорию объекта;
- географические координаты;
- время прибытия;
- площадь пожара.
fire <-
fire %>%
select(DATE_ZVK,
geo_lon, geo_lat,
PRIB_TIME, SQUARE_LOC)
fire## # A tibble: 5,134 x 5
## DATE_ZVK geo_lon geo_lat PRIB_TIME SQUARE_LOC
## <date> <dbl> <dbl> <int> <dbl>
## 1 2016-01-01 82.9 55.1 6 130
## 2 2016-01-01 83.1 54.9 4 3
## 3 2016-01-02 83.0 55.0 10 0
## 4 2016-01-02 83.0 55.1 5 15
## 5 2016-01-03 82.9 55.0 7 5
## 6 2016-01-03 83.0 55.0 8 81
## 7 2016-01-03 82.9 55.0 8 0
## 8 2016-01-04 82.9 55.0 9 20
## 9 2016-01-04 82.9 55.0 7 6
## 10 2016-01-04 83.0 55.0 10 2
## # … with 5,124 more rowsОтметим неоднородность исходных данных, а именно, в последние два рассматриваемых года учитывалось гораздо больше пожаров, что видно из графика ниже.
fire %>%
count(., DATE_ZVK) %>%
ggplot(aes(DATE_ZVK, n)) + geom_line() +
labs(x = "дата",
y = "количество пожаров")
Рисунок 1: Количество пожаров в сутки в г. Новосибирске (2016-2020 гг.)
Действительно, в 2019 и в 2020 годах на графике наблюдаются существенные всплески количества пожаров, что можно объяснить переходом на новую законодательную базу с 1 января 2019 года, при котором понятия пожар и загорание были совмещены. Для устранения неоднородности можно сделать фильтрацию данных, исключив такие объекты горения как мусор и траву, но мы этого делать не будем.
Предварительная подготовка картографических данных
Сначала создадим карту дорог Новосибирска, а затем, используя билиотеку ggplot2, нанесем послойно на получившуюся карту информацию по пожарам.
На первом этапе, с помощью библиотеки osmdata загрузим данные из OpenStreetMap. Данные в базе OpenStreetMap хранятся в виде пар: ключ (key) и значение (value). Будем следовать той же идеологии как на странице Streetmaps: загрузим данные по крупным улицам (streets), небольшим улицам (small_streets) и рекам (river). Все возможные значения любого ключа можно увидеть командой available_tags() (полные списки значений довольно большие), например
available_tags("highway") %>% head(., 10)## [1] "bridleway" "bus_guideway" "bus_stop"
## [4] "construction" "corridor" "crossing"
## [7] "cycleway" "elevator" "emergency_access_point"
## [10] "emergency_bay"Данные из OpenStreetMap импортируются в координаты с помощью функции get_bb(), затем они фильтруются функцией add_osm_feature() по необходимым геотегам и передаются на вывод функцией osmdata_sf() для последующей отрисовки в ggplot2.
# проспекты и большие улицы
streets <- getbb("Novosibirsk Russia") %>%
opq()%>%
add_osm_feature(key = "highway",
value = c("motorway", "primary",
"secondary", "tertiary")) %>%
osmdata_sf()
# небольшие улицы
small_streets <- getbb("Novosibirsk Russia") %>%
opq()%>%
add_osm_feature(key = "highway",
value = c("residential", "living_street",
"unclassified",
"service", "footway")) %>%
osmdata_sf()
# реки
river <- getbb("Novosibirsk Russia") %>%
opq() %>%
add_osm_feature(key = "waterway", value = "river") %>%
osmdata_sf()Отрисовка карт и нанесение информации по пожарам
Теперь мы готовы визуализировать карту дорог и рек Новосибирска.
ggplot() +
# проспекты и большие улицы
geom_sf(data = streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.6) +
# небольшие улицы
geom_sf(data = small_streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.4) +
# реки
geom_sf(data = river$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.2,
alpha = 0.5) +
# географические границы города Новосибирска
coord_sf(xlim = c(82.7, 83.19),
ylim = c(54.77, 55.23),
expand = FALSE) 
Рисунок 2: OpenStreetMap карта города Новосибирска
Нанесение на карту данных по пожарам
Нанесем на карту точки, где произошли пожары в рассматриваемый период.
# базовый график
ggplot() +
geom_sf(data = streets$osm_lines,
inherit.aes = FALSE,
color = "white",
size = 0.4,
alpha = 0.8) +
geom_sf(data = small_streets$osm_lines,
inherit.aes = FALSE,
color = "#ffbe7f",
size = 0.2,
alpha = 0.6) +
geom_sf(data = river$osm_lines,
inherit.aes = FALSE,
color = "#7fc0ff",
size = 0.2,
alpha = 0.5) +
coord_sf(xlim = c(82.62, 83.17),
ylim = c(54.73, 55.2),
expand = FALSE) +
# точки, где произошли пожары
geom_point(data = fire, aes(geo_lon, geo_lat),
shape = 1,
stroke = 0.8,
color = "#FC4E07",
alpha = 0.3) +
theme_void() +
theme(
plot.background = element_rect(fill = "#282828")
)
Рисунок 3: Визуализация пожаров (2016-2020 гг.) на карте города Новосибирска
Плотность пожаров
На полученной карте видно, что наши данные по пожарам хорошо согласуются с данными OpenStreetMap.
Теперь мы бы хотели получить представление о проблемных участках с максимальным количеством пожаров, однако наслоения точек на предыдущем рисунке не позволяют сделать качественные выводы. Визуально выделить участки с наибольшим количеством пожаров можно двумя способами:
- использовать непрерывный градиент (см., например Kahle & Wikham);
- разделить всю область значений на равные отрезки и использовать различную интенсивность цвета для каждого уровня.
Мы используем вторую возможность отрисовки участков количественно отделяющих пожары, используя geom_density2d_filled() и geom_density2d() для визуализации ядерной плотности.
# базовый график
ggplot() +
geom_sf(data = streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.8) +
geom_sf(data = small_streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.8) +
geom_sf(data = river$osm_lines,
inherit.aes = FALSE,
color = "#7fc0ff",
size = 0.2,
alpha = 0.6) +
coord_sf(xlim = c(82.62, 83.17),
ylim = c(54.73, 55.2),
expand = FALSE) +
# градиент
geom_density2d_filled(data = fire, aes(geo_lon, geo_lat),
alpha = 0.7) +
# линии уровня
geom_density2d(data = fire, aes(geo_lon, geo_lat),
color = "black", alpha = 0.8) +
# цвет
scale_fill_brewer() +
labs(fill = "количество пожаров:") +
theme_void() +
theme(legend.position = "top") 
Рисунок 4: Плотность пожаров (2016-2020 гг.) на карте города Новосибирска
Нанесение на карту данных по времени прибытия
Рассмотрим на карте данные по прибытию подразделений 🚒 , выделив только те события, где время прибытия составило более 10 минут.
# https://cran.r-project.org/web/packages/janitor/vignettes/tabyls.html
fire %>%
mutate(
late_category = case_when(
PRIB_TIME > 10 ~ "> 10 мин",
TRUE ~ "<= 10 мин"
)
) %>%
janitor::tabyl(late_category) %>%
janitor::adorn_pct_formatting(digits = 1) %>%
purrr::set_names("категория", "количество", "процент")## категория количество процент
## <= 10 мин 4653 90.6%
## > 10 мин 481 9.4%Как видно из таблицы выше, процент событий с временем прибытия более 10 минут довольно мал по сравнению с общим количеством пожаров. Нанесем на карту точки с долгим временем прибытия и дислокации пожарных частей города Новосибирска.
fire_late_points <- fire %>%
filter(PRIB_TIME > 10) %>%
select(geo_lon, geo_lat)Координаты некоторых основных пожарных частей г. Новосибирска
fire_stations <-
tribble(
~name, ~geo_lon, ~geo_lat,
"СПСЧ", 82.97908757779791, 55.10638825,
"СПСЧ-3", 83.178200, 54.937824,
"ПСЧ-1", 82.93324274637051, 55.0254707,
"ПСЧ-2", 82.9184471, 55.0422414,
"ПСЧ-3", 82.95710502339779, 55.010753449999996,
"ПСЧ-4", 82.97564223619477, 55.05086455,
"ПСЧ-5", 82.89667373263423, 55.05429615,
"ПСЧ-6", 82.84037900000001, 54.99433685,
"ПСЧ-7", 83.09816122044344, 54.9741693,
"ПСЧ-8", 83.099370, 54.858548,
"ПСЧ-9", 82.900372, 54.958476,
"ПСЧ-10", 82.96720840392814, 55.1805103,
"ПСЧ-11", 83.128238, 54.744382,
"ПСЧ-15", 82.79992967036416, 54.996677250000005,
"ПСЧ-15 пост", 82.859950, 55.027657,
"ПСЧ-19", 82.98182030377154, 55.0763039,
"ПСЧ-24", 82.97588842389447, 54.863162349999996,
"ПСЧ-27", 82.988649, 55.064143,
"ПСЧ-32", 83.051309, 54.740612,
"ПСЧ-37", 82.996118, 54.927500,
"ПСЧ-46", 82.7214455809438, 54.9883955
)require(ggrepel)
# базовый график
ggplot() +
geom_sf(data = streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.4) +
geom_sf(data = small_streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.3) +
geom_sf(data = river$osm_lines,
inherit.aes = FALSE,
color = "#7fc0ff",
size = 0.2,
alpha = 0.6) +
coord_sf(xlim = c(82.62, 83.17),
ylim = c(54.73, 55.2),
expand = FALSE) +
theme_void() +
# точки с долгим временем прибытия
geom_point(data = fire_late_points, aes(geo_lon, geo_lat),
color = "firebrick2", alpha = 0.7) +
# пожарные части
geom_point(data = fire_stations, aes(geo_lon, geo_lat),
color = "blue", alpha = 1, shape = 8, size = 2.5, stroke = 1) +
# названия пожарных частей
geom_label_repel(data = fire_stations, aes(geo_lon, geo_lat, label = name),
size = 3, alpha = 0.9)
Рисунок 5: Данные по времени прибытия пожарно-спасательных подразделений > 10 мин. на пожары (2016-2020 гг.) на карте города Новосибирска
Увеличив фрагмент карты, можно видеть какие районы являются проблемными для их достижения.
Рисунок 6: Фрагмент данных, иллюстрирующих труднодостижимые районы прибытия пожарно-спасательных подразделений города Новосибирска
Визуализация пожаров по площадям
В конце статьи проведем мини-исследование по площадям пожаров. Проверим следующую гипотезу: наиболее крупные пожары происходили на окраинах города.
Для отображения больших значений, таких как площади в нашем случае, удобно рассмотреть вместо значения величины ее десятичный логарифм. Здесь же отфильтруем данные, оставив только те пожары, площадь которых составила более 1 000 кв. м.
fire_square <- fire %>%
filter(SQUARE_LOC > 0) %>%
select(geo_lon, geo_lat, SQUARE_LOC) %>%
mutate(log_square = log10(SQUARE_LOC))
fire_square <- fire_square %>% filter(log_square >= 3)Сделаем разбивку пожаров по соответствующим категориям.
fire_square <-
fire_square %>%
mutate(
size_category = case_when(
log_square >= 1 & log_square < 2 ~ "> 10 кв. м",
log_square >= 2 & log_square < 3 ~ "> 100 кв. м",
log_square >= 3 & log_square < 4 ~ "> 1 000 кв. м",
log_square >= 4 & log_square < 5 ~ "> 10 000 кв. м",
log_square >= 5 & log_square < 100 ~ "> 100 000 кв. м",
TRUE ~ "<= 10 кв. м"
)
) %>%
mutate(size_category = factor(size_category,
levels = c("> 10 кв. м",
"> 100 кв. м",
"> 1 000 кв. м",
"> 10 000 кв. м",
"> 100 000 кв. м")))Отобразим пожары с учетом их площадей чтобы проверить, насколько верна наша гипотеза.
# базовый график
ggplot() +
geom_sf(data = streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.4) +
geom_sf(data = small_streets$osm_lines,
inherit.aes = FALSE,
color = "black",
size = 0.4,
alpha = 0.3) +
geom_sf(data = river$osm_lines,
inherit.aes = FALSE,
color = "#7fc0ff",
size = 0.5,
alpha = 0.8) +
coord_sf(xlim = c(82.68, 83.19),
ylim = c(54.77, 55.23),
expand = FALSE) +
theme_void() +
# площади пожаров
geom_point(data = fire_square, aes(geo_lon, geo_lat,
color = size_category,
size = size_category),
alpha = 0.7, stroke = 2) +
scale_color_brewer(palette = "Reds") +
labs(size = "площадь пожара:", color = "")
Рисунок 7: Пожары в г. Новосибирске (2016-2020 гг.) с площадью > 1 000 кв. м
Как показывет предыдущий рисунок, действительно, наиболее крупные по площади пожары происходили на окраинах города.
Заключение
В статье были рассмотрены простейшие возможности языка программирования R в применении к анализу географических данных по пожарам и их последствиям. Были рассмотрены нанесение на карту:
- исходных данных по пожарам;
- плотности пожаров;
- данных по времени прибытия подразделений;
- площадей пожаров.
Используемые аналитические инструменты и сделанные выводы могут быть полезны при планировании и оптимизации ресурсов пожарно-спасательных подразделений, а также при рассмотрении чрезвычайных ситуаций иного рода.
Автор выражает благодарность О.С. Малютину за предоставленные данные.↩︎
Евгений Матеров
Зав. кафедрой физики, математики и информационных технологий
Область моих научных интересов включает в себя Data Science, машинное обучение, язык программирования R.