| name | scientific-geospatial-analysis |
| description | 地理空間データ解析スキル。GeoPandas ベクターデータ処理・
Rasterio ラスター解析・Folium/Kepler.gl インタラクティブ地図・
空間自己相関 (Moran's I)・クリギング補間・CRS 変換。
|
| tu_tools | [{"key":"gbif","name":"GBIF","description":"地理空間生物多様性データ取得"}] |
Scientific Geospatial Analysis
地理空間データの前処理・空間統計・インタラクティブ地図可視化
パイプラインを提供する。
When to Use
- GeoPandas でベクターデータ (Shapefile/GeoJSON) を処理するとき
- ラスターデータ (GeoTIFF) を読み込み解析するとき
- 空間自己相関 (Moran's I / LISA) を検定するとき
- クリギング (Kriging) で空間補間するとき
- Folium/Kepler.gl でインタラクティブ地図を作成するとき
- CRS (座標参照系) 変換・空間結合をするとき
Note: 環境特化 GIS (SoilGrids/WorldClim) は scientific-environmental-geodata を参照。
Quick Start
1. GeoPandas ベクターデータ処理
import numpy as np
import pandas as pd
def load_and_process_geodata(filepath, target_crs="EPSG:4326"):
"""
GeoPandas ベクター/ポイントデータ読み込み・CRS 変換。
Parameters:
filepath: str — Shapefile / GeoJSON / GPKG パス
target_crs: str — 変換先座標系
"""
import geopandas as gpd
gdf = gpd.read_file(filepath)
original_crs = gdf.crs
if gdf.crs != target_crs:
gdf = gdf.to_crs(target_crs)
bounds = gdf.total_bounds
geom_types = gdf.geometry.geom_type.value_counts().to_dict()
print(f"GeoData: {len(gdf)} features, CRS: {original_crs} → {target_crs}")
print(f" Bounds: [{bounds[0]:.4f}, {bounds[1]:.4f}] "
f"to [{bounds[2]:.4f}, {bounds[3]:.4f}]")
print(f" Geometry types: {geom_types}")
return gdf
def spatial_join(gdf_left, gdf_right, how="inner", predicate="intersects"):
"""
空間結合 (Spatial Join)。
Parameters:
gdf_left: GeoDataFrame — 左テーブル
gdf_right: GeoDataFrame — 右テーブル
how: str — "inner" / "left" / "right"
predicate: str — "intersects" / "within" / "contains"
"""
import geopandas as gpd
if gdf_left.crs != gdf_right.crs:
gdf_right = gdf_right.to_crs(gdf_left.crs)
joined = gpd.sjoin(gdf_left, gdf_right, how=how, predicate=predicate)
print(f"Spatial Join ({predicate}, {how}): "
f"{len(gdf_left)} × {len(gdf_right)} → {len(joined)}")
return joined
2. 空間自己相関 (Moran's I / LISA)
def spatial_autocorrelation(gdf, value_col, weight_type="queen"):
"""
空間自己相関検定 — Global Moran's I + LISA。
Parameters:
gdf: GeoDataFrame — ジオメトリ + 属性データ
value_col: str — 解析対象カラム
weight_type: str — "queen" / "rook" / "knn"
"""
from libpysal.weights import Queen, Rook, KNN
from esda.moran import Moran, Moran_Local
import matplotlib.pyplot as plt
if weight_type == "queen":
w = Queen.from_dataframe(gdf)
elif weight_type == "rook":
w = Rook.from_dataframe(gdf)
elif weight_type == "knn":
w = KNN.from_dataframe(gdf, k=5)
w.transform = "r"
y = gdf[value_col].values
moran_global = Moran(y, w)
moran_local = Moran_Local(y, w)
gdf = gdf.copy()
gdf["lisa_cluster"] = moran_local.q
gdf["lisa_significant"] = moran_local.p_sim < 0.05
gdf["local_moran_i"] = moran_local.Is
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 7))
gdf.plot(column=value_col, ax=ax1, legend=True,
cmap="RdYlBu_r", edgecolor="gray", linewidth=0.3)
ax1.set_title(f"{value_col} (Moran's I={moran_global.I:.4f}, "
)
cluster_labels = {: , : ,
: , : , : }
sig_gdf = gdf[gdf[]]
(sig_gdf) > :
sig_gdf.plot(column=, ax=ax2,
categorical=, legend=,
edgecolor=, linewidth=)
ax2.set_title()
plt.tight_layout()
path =
plt.savefig(path, dpi=, bbox_inches=)
plt.close()
()
()
{: moran_global.I, : moran_global.p_sim,
: gdf, : path}
3. クリギング空間補間
def kriging_interpolation(points_df, x_col, y_col, value_col,
grid_resolution=100,
variogram_model="spherical"):
"""
Ordinary Kriging 空間補間。
Parameters:
points_df: pd.DataFrame — 観測点データ
x_col, y_col: str — 座標カラム
value_col: str — 補間対象カラム
grid_resolution: int — グリッド解像度
variogram_model: str — "spherical" / "exponential" / "gaussian"
"""
from pykrige.ok import OrdinaryKriging
import matplotlib.pyplot as plt
x = points_df[x_col].values
y = points_df[y_col].values
z = points_df[value_col].values
ok = OrdinaryKriging(
x, y, z,
variogram_model=variogram_model,
verbose=False, enable_plotting=False)
grid_x = np.linspace(x.min(), x.max(), grid_resolution)
grid_y = np.linspace(y.min(), y.max(), grid_resolution)
z_pred, ss_pred = ok.execute("grid", grid_x, grid_y)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
im1 = ax1.imshow(z_pred, origin="lower",
extent=[x.min(), x.max(), y.min(), y.max()],
cmap="viridis")
ax1.scatter(x, y, c="red", s=10, edgecolors="black", linewidths=0.5)
ax1.set_title(f"Kriging Prediction ({variogram_model})")
plt.colorbar(im1, ax=ax1)
im2 = ax2.imshow(ss_pred, origin="lower",
extent=[x.min(), x.max(), y.min(), y.()],
cmap=)
ax2.set_title()
plt.colorbar(im2, ax=ax2)
plt.tight_layout()
path =
plt.savefig(path, dpi=, bbox_inches=)
plt.close()
(
)
{: z_pred, : ss_pred,
: grid_x, : grid_y, : path}
4. Folium インタラクティブ地図
def interactive_map(gdf, value_col=None, popup_cols=None,
tiles="CartoDB positron",
output="interactive_map.html"):
"""
Folium インタラクティブ地図。
Parameters:
gdf: GeoDataFrame — 地理空間データ
value_col: str | None — Choropleth カラム
popup_cols: list[str] | None — ポップアップ表示カラム
tiles: str — タイル名
output: str — 出力 HTML
"""
import folium
center = [gdf.geometry.centroid.y.mean(),
gdf.geometry.centroid.x.mean()]
m = folium.Map(location=center, zoom_start=8, tiles=tiles)
if value_col and gdf.geometry.geom_type.iloc[0] in ["Polygon", "MultiPolygon"]:
folium.Choropleth(
geo_data=gdf.__geo_interface__,
data=gdf, columns=[gdf.index.name or "index", value_col],
key_on="feature.id",
fill_color="YlOrRd",
legend_name=value_col
).add_to(m)
else:
for _, row in gdf.iterrows():
popup_text = ""
if popup_cols:
popup_text = "<br>".join(
[f"<b>{c}</b>: {row[c]}" for c in popup_cols])
folium.CircleMarker(
location=[row.geometry.centroid.y, row.geometry.centroid.x],
radius=5, popup=popup_text,
color="blue", fill=True
).add_to(m)
m.save(output)
print(f"Interactive map → {output} ( features)")
output
パイプライン統合
environmental-geodata → geospatial-analysis → advanced-visualization
(環境データ取得) (空間解析) (高度可視化)
│ │ ↓
epidemiology ───────────────┘ interactive-dashboard
(空間疫学) (ダッシュボード)
パイプライン出力
| ファイル | 説明 | 次スキル |
|---|
spatial_autocorrelation.png | Moran's I + LISA | → reporting |
kriging_result.png | クリギング補間 | → visualization |
interactive_map.html | Folium 地図 | → dashboard |
ToolUniverse 連携
| TU Key | ツール名 | 連携内容 |
|---|
gbif | GBIF | 地理空間生物多様性データ取得 |
