地理情報処理の概要と様々な適用事例およびpythonによる実装について

import geopandas as gpd

# Shapefileからデータの読み込み
data = gpd.read_file('path/to/shapefile.shp')

# データのプロット
data.plot()

# 空間的なクエリと解析
filtered_data = data[data['population'] > 10000]  # 人口が1万人以上のデータをフィルタリング
intersecting_data = data[data.intersects(other_polygon)]  # 他のポリゴンと交差するデータを抽出
buffered_data = data.buffer(1000)  # バッファリング（半径1000メートル）

# 空間統計解析
data['population_density'] = data['population'] / data.area  # 面積あたりの人口密度の計算
clustered_data = data.unary_union.convex_hull  # ポイントデータの凸包の計算

import folium

# 地図オブジェクトの作成
m = folium.Map(location=[latitude, longitude], zoom_start=12)

# マーカーの追加
folium.Marker([latitude, longitude], popup='Location').add_to(m)

# ポリゴンの追加
folium.Polygon(locations=[(lat1, lon1), (lat2, lon2), (lat3, lon3)], color='blue', fill=True).add_to(m)

# ジオファンシングエリアの追加
folium.GeoJson(geojson_data, style_function=lambda x: {'fillColor': 'green'}).add_to(m)

# 地図の表示
m.save('map.html')

import libpysal
import esda

# 空間自己相関の計算
w = libpysal.weights.Queen.from_dataframe(data)  # 近傍関係の定義
mi = esda.Moran(data['attribute'], w)  # モラン指数の計算
print(mi.I, mi.p_sim)

# クラスタリング
kmeans = esda.KMeans(data[['x', 'y']], n_clusters=3)  # k-meansクラスタリング
labels = kmeans.labels_
centroids = kmeans.centroids

import geopandas as gpd
import matplotlib.pyplot as plt

# 地価データを読み込む
land_prices = gpd.read_file('path_to_land_prices_shapefile.shp')

# 地価を地図上にプロットして可視化
land_prices.plot(column='price_per_sqm', cmap='YlGnBu', legend=True)
plt.title('地価マップ')
plt.show()

import geopandas as gpd
import matplotlib.pyplot as plt

# 都市の土地利用データを読み込む
land_use = gpd.read_file('path_to_land_use_shapefile.shp')

# 土地利用カテゴリごとのデータ数を集計
land_use_count = land_use['land_use_type'].value_counts()

# 土地利用の棒グラフを作成
land_use_count.plot(kind='bar')
plt.xlabel('土地利用カテゴリ')
plt.ylabel('データ数')
plt.title('都市の土地利用分布')
plt.show()

from shapely.geometry import Point, Polygon

# 都市の区画データを読み込む
zone_data = gpd.read_file('path_to_zone_data_shapefile.shp')

# 特定のポイントが特定の区画内にあるか判定
point = Point(139.767125, 35.681236)
for index, zone in zone_data.iterrows():
    if point.within(zone['geometry']):
        print(f"ポイントは区画 {zone['zone_name']} 内にあります。")
        break

import pandas as pd
import matplotlib.pyplot as plt

# 環境センサーデータをCSVファイルから読み込む
sensor_data = pd.read_csv('sensor_data.csv')

# データの可視化
plt.plot(sensor_data['timestamp'], sensor_data['temperature'], label='Temperature')
plt.plot(sensor_data['timestamp'], sensor_data['humidity'], label='Humidity')
plt.xlabel('Timestamp')
plt.ylabel('Value')
plt.legend()
plt.show()

import geopandas as gpd
import rasterio
import numpy as np

# 環境データの読み込み
gdf = gpd.read_file('path_to_shapefile.shp')
raster_data = rasterio.open('path_to_rasterfile.tif')

# ポイントデータとラスターデータを結合
gdf['elevation'] = [val[0] for val in raster_data.sample(gdf.geometry.centroid.buffer(1).bounds, indexes=1)]

# ポイントデータとしての空間解析（例：近隣の最高標高を取得）
gdf['max_elevation_around'] = gdf.buffer(100).apply(lambda x: np.max([val[0] for val in raster_data.sample(x.bounds, indexes=1)]))

import pandas as pd
import matplotlib.pyplot as plt

# 時系列データを読み込む
time_series_data = pd.read_csv('time_series_data.csv', parse_dates=['timestamp'], index_col='timestamp')

# データの時系列解析と可視化
time_series_data['temperature'].resample('D').mean().plot(label='Daily Mean Temperature')
time_series_data['humidity'].resample('D').mean().plot(label='Daily Mean Humidity')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.show()

from ortools.constraint_solver import pywrapcp
from ortools.constraint_solver import routing_enums_pb2

# 地点間の距離データ
distance_matrix = [
    [0, 10, 15, 20],
    [10, 0, 35, 25],
    [15, 35, 0, 30],
    [20, 25, 30, 0]
]

def tsp_solver():
    # TSPの問題設定
    manager = pywrapcp.RoutingIndexManager(len(distance_matrix), 1, 0)
    routing = pywrapcp.RoutingModel(manager)

    # 距離コスト関数を設定
    def distance_callback(from_index, to_index):
        return distance_matrix[from_index][to_index]
    
    transit_callback_index = routing.RegisterTransitCallback(distance_callback)
    routing.SetArcCostEvaluatorOfAllVehicles(transit_callback_index)

    # 巡回セールスマン問題の制約を設定
    search_parameters = pywrapcp.DefaultRoutingSearchParameters()
    search_parameters.local_search_metaheuristic = (
        routing_enums_pb2.LocalSearchMetaheuristic.GUIDED_LOCAL_SEARCH)
    search_parameters.time_limit.seconds = 1

    # 最適なルートを計算
    solution = routing.SolveWithParameters(search_parameters)
    if solution:
        print("最適なルート:")
        index = routing.Start(0)
        while not routing.IsEnd(index):
            print(manager.IndexToNode(index))
            index = solution.Value(routing.NextVar(index))
        print(manager.IndexToNode(index))
    else:
        print("解が見つかりませんでした。")

if __name__ == '__main__':
    tsp_solver()

import os
import subprocess

def run_sumo_simulation():
    # SUMOシミュレーションのコマンドを実行
    cmd = "sumo -c sumo_config_file.sumocfg --step-length 0.1 --duration 1000"
    subprocess.call(cmd, shell=True)

if __name__ == '__main__':
    run_sumo_simulation()

import folium
from flask import Flask, render_template

app = Flask(__name__)

# サンプルの位置情報データ
locations = [
    {"name": "東京駅", "latitude": 35.681236, "longitude": 139.767125},
    {"name": "新宿駅", "latitude": 35.689521, "longitude": 139.700916},
    {"name": "渋谷駅", "latitude": 35.658034, "longitude": 139.701636}
]

@app.route('/')
def index():
    # 地図を作成し、位置情報をマーカーとして追加
    map = folium.Map(location=[35.681236, 139.767125], zoom_start=12)
    for location in locations:
        folium.Marker(location=[location['latitude'], location['longitude']], popup=location['name']).add_to(map)
    return map._repr_html_()

if __name__ == '__main__':
    app.run(debug=True)

import requests
from geopy.geocoders import Nominatim

# ユーザーの現在位置を取得
geolocator = Nominatim(user_agent="geoapiExercises")
address = "東京駅"
location = geolocator.geocode(address)

# 緯度経度を取得
latitude, longitude = location.latitude, location.longitude

# APIから周辺のイベント情報を取得する関数
def get_events_nearby(latitude, longitude):
    url = f"https://api.example.com/events?latitude={latitude}&longitude={longitude}&radius=5"
    response = requests.get(url)
    data = response.json()
    return data

# 周辺のイベント情報を取得
events_data = get_events_nearby(latitude, longitude)

# イベント情報を表示
for event in events_data:
    print(f"イベント名: {event['name']}")
    print(f"場所: {event['location']}")
    print(f"日時: {event['datetime']}")
    print("---")

import geopandas as gpd
import matplotlib.pyplot as plt

# 農地の地理情報データを読み込む
farm_data = gpd.read_file('path_to_farm_data.shp')

# 農地の種類ごとにデータを分類して可視化
farm_data.plot(column='crop_type', legend=True)
plt.title('農地の利用状況')
plt.show()

import geopandas as gpd
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 地理情報と気象データを結合
farm_data = gpd.read_file('path_to_farm_data.shp')
weather_data = pd.read_csv('path_to_weather_data.csv')
merged_data = farm_data.merge(weather_data, on='location')

# 特徴量とターゲットの分割
X = merged_data[['temperature', 'rainfall']]
y = merged_data['harvest_amount']

# データを訓練用とテスト用に分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 線形回帰モデルを構築
model = LinearRegression()
model.fit(X_train, y_train)

# テストデータでモデルの評価
score = model.score(X_test, y_test)
print(f'モデルのR^2スコア: {score}')

import folium

# 地図の初期位置を指定
map = folium.Map(location=[35.681236, 139.767125], zoom_start=10)

# 農村開発プロジェクトのポイントデータを読み込む
project_data = pd.read_csv('path_to_project_data.csv')

# ポイントデータを地図にマーカーとして追加
for index, row in project_data.iterrows():
    folium.Marker(location=[row['latitude'], row['longitude']], popup=row['project_name']).add_to(map)

# 地図を表示
map.save('project_map.html')