4  Основы картографии

4.1 Введение

Это занятие — про то, как превратить координаты и уловы в честные карты, которые помогают думать, а не просто украшать отчёт. Мы будем работать в R, потому что он дисциплинирует: каждая операция видна, воспроизводима и проверяема, а любой красивый результат можно разобрать до строчки кода. В логике курса мы пойдём от простого к сложному: от базовой точечной карты распределения уловов — к картам с береговой линией, к учёту нулевых уловов и разбиению по квартилям, к фасетам для сравнения лет, к локальной автокорреляции (LISA), к промысловым картам и картограммам, и, наконец, к гибридным решениям, где данные съёмок и промысла встречаются на одной карте. В конце добавим «служебные» карты для раздела «Материал и методы» и карты с врезками — тот самый минимум, который ожидают рецензенты. В духе Ноама Хомского напомним: карта — это не территория, а модель наших предположений; чем прозрачнее исходные решения (данные, проекция, шкалы), тем меньше поводов для самообмана.

В основе любой качественной карты лежат три вещи: корректная подготовка данных, грамотная картографическая основа и осмысленная визуальная метафора. Сначала убеждаемся, что координаты в единой системе (WGS84), отсутствуют перепутанные долготы и широты, а нулевые уловы размечены как нули, а не пропуски. Затем выбираем основу: береговая линия и полигоны стран из rnaturalearth, при необходимости батиметрия из marmap, корректная проекция для расстояний и площадей (в задачах локального масштаба — UTM). И только после этого — визуальные решения: непрерывные шкалы с воспринимаемо ровной палитрой (viridis), понятная легенда, единицы измерения, подписи, масштабная линейка и, где уместно, стрелка «север». Важный этический момент: размер и цвет несут разные смыслы; не заставляйте читателя угадывать, что из них интенсивность, а что — частота или категория. Нулевые уловы — это не «мусор», а сильный сигнал об отсутствии; показывайте их отдельным слоем и символом, чтобы не переоценивать «горячие точки».

По мере усложнения задач мы добавляем структуру. Разбиение по квартилям даёт сопоставимость между годами, фасеты позволяют увидеть межгодовую динамику без наложения, LISA подсвечивает кластеры высокой и низкой интенсивности и аномалии, где значение точки расходится с окружением. Картограммы или сеточная агрегация помогают уйти от шумной точки к устойчивой картинке на уровне промысловых квадратов; гибридные карты честно показывают возможный разрыв между научной съёмкой и промыслом. Здесь важно помнить про «анатомию ошибки»: выбор размера ячейки, числа соседей в LISA, границ квартилей и способа агрегации — это не техническая деталь, а модельное решение; фиксируйте его явно, чтобы завтра вы сами могли воспроизвести сегодняшнюю карту.

Практический результат должен быть пригоден для публикации. Все примеры в R можно экспортировать в векторные форматы (PDF, SVG) и растровые (PNG, TIFF) с высоким разрешением, где подписи, легенды и цвета сохраняют читаемость при печати. В скрипте мы покажем, как автоматически подбирать границы области с небольшим буфером — и почему чаще лучше задать их вручную, чтобы карта не «гуляла» между рис. 1 и рис. 2. Мы разберём, как организовать легенды, чтобы они не спорили друг с другом при фасетировании, как синхронизировать цветовые шкалы между годами, чтобы зелёное «вчера» и зелёное «сегодня» значили одно и то же, и как использовать врезку, чтобы читатель понял контекст региона, а не искал его на глобусе.

Наконец, про дисциплину и воспроизводимость. Данные берём из одного файла (KARTOGRAPHIC.xlsx), зависимости минимальны и явно перечислены, рабочая директория задаётся в начале, все параметры карт — на виду. Такой стиль не только ускоряет работу, но и воспитывает привычку проверять себя: если карта получилась слишком «красивая», вернитесь и взгляните на нули, на шкалы, на проекцию, на подписи. Хорошая карта в рыбохозяйственной и гидробиологической практике — это не “арт‑объект”, а прозрачный инструмент коммуникации: с ней удобно спорить, её можно повторить и на её основе можно принять решение. Если к концу занятия вы без подсказок соберёте три‑четыре типовых карты для результатов и одну аккуратную для «Материалов и методов», задача занятия выполнена.

Для работы скрипта:

1. Скачайте файл данных (KARTOGRAPHIC.xlsx)

2. Установите рабочую директорию в setwd()

3. Установите необходимые пакеты : install.packages(c("readxl", "tidyverse, "rnaturalearth", "sf", "viridis" )) и др.

4.2 Карта распределения уловов в съемке

Данная карта демонстрирует распределение уловов краба в ходе исследовательской съемки. На ней отображены точки наблюдений, где размер и цвет точек соответствуют величине улова.

Рис. 1.: Пример карты распределения уловов в съемке

В скрипте границы карты (лимиты) определяются автоматически с буфером, но чаще их просто устанавливают вручную, например:

xmin <- 37
xmax <- 49
ymin <- 68.5
ymax <- 70.5

Скрипт карты целиком:

# Очистка памяти и установка рабочей папки
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Загрузка необходимых пакетов
library(tidyverse)  # Обработка данных и визуализация
library(readxl)     # Чтение Excel-файлов

# 1. ЗАГРУЗКА ДАННЫХ
DATA <- read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(YEAR == 2023, SURV == "CRAB")  # Фильтр для 2023 года и съемки CRAB

# 2. АВТОМАТИЧЕСКИЙ РАСЧЕТ ГРАНИЦ С БУФЕРОМ 5%
# Расчет диапазонов координат
x_range <- range(DATA$X, na.rm = TRUE)
y_range <- range(DATA$Y, na.rm = TRUE)

# Расчет 5% буфера
x_buffer <- 0.05 * diff(x_range)
y_buffer <- 0.05 * diff(y_range)

# Установка границ с буфером
xmin <- x_range[1] - x_buffer
xmax <- x_range[2] + x_buffer
ymin <- y_range[1] - y_buffer
ymax <- y_range[2] + y_buffer

# 3. ВИЗУАЛИЗАЦИЯ ТОЧЕК
ggplot(DATA) +
  # Точки наблюдений с размером и цветом по величине улова
  geom_point(aes(x = X, y = Y, size = PROM, color = PROM), alpha = 0.7) +
  
  # Цветовая шкала (виридисная палитра)
  scale_color_viridis_c(option = "H", name = "Улов") +
  
  # Шкала размеров точек
  scale_size_continuous(name = "Улов") +
  
  # Настройка границ с автоматически рассчитанными значениями
  coord_cartesian(xlim = c(xmin, xmax), ylim = c(ymin, ymax)) +
  
  # Подписи осей
  labs(x = "Долгота", y = "Широта", 
       title = "Распределение уловов краба", 
       subtitle = "2023 год, тип съемки: CRAB") +
  
  # Оформление графика
  theme_bw() +
  theme(
    panel.grid = element_line(color = "grey90"),
    legend.position = "bottom"
  )

4.3 Карта распределения уловов в съемке с береговой линией

Рис. 2.: Пример карты распределения уловов в съемке с береговой линией

# Очистка окружения и установка рабочей директории
rm(list = ls())  # Удаление всех объектов из глобального окружения
setwd("C:/COURSES/KARTOGRAPH/")  # Установка рабочей директории

# Загрузка необходимых библиотек
library(rnaturalearth)  # Для получения векторных карт мира
library(tidyverse)      # Коллекция пакетов для работы с данными
library(sf)             # Пространственный анализ

####### ЗАГРУЗКА ДАННЫХ И ПОДГОТОВКА ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ ################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(YEAR == 2023, SURV == "CRAB")  # Фильтр данных за 2023 год по типу съемки

# Получение границ России
russia <- ne_countries(scale = 10, country = "Russia")  # Загрузка векторных границ (масштаб 1:10м)

# Установка границ отображаемой области (долгота/широта)
xmin=37  # Западная граница
xmax=49  # Восточная граница
ymin=68.5 # Южная граница
ymax=70.5 # Северная граница

# Построение карты
ggplot() +
  # Базовая карта России
  geom_sf(data = russia, fill = "lightblue") + 
  # Ограничение области отображения
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax)) +
  # Точки наблюдений с размером и цветом по переменной PROM
  geom_point(aes(x = X, y = Y, size = PROM, color = PROM),
             data = DATA, alpha = 0.6) +
  # Цветовая шкала (viridis, вариант H)
  scale_color_viridis_c(option = "H")

4.4 Карта распределения уловов, включая нулевые

Рис. 3.: Карта распределения уловов, включая нулевые

# Очистка окружения и установка рабочей директории
rm(list = ls())  # Удаление всех объектов из глобального окружения
setwd("C:/COURSES/KARTOGRAPH/")  # Установка рабочей директории

# Загрузка необходимых библиотек
library(rnaturalearth)  # Для получения векторных карт мира
library(tidyverse)      # Коллекция пакетов для работы с данными
library(sf)             # Пространственный анализ

####### ЗАГРУЗКА ДАННЫХ И ПОДГОТОВКА ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ ################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(YEAR == 2023, SURV == "CRAB")  # Фильтр данных за 2023 год по типу съемки

# Получение границ России
russia <- ne_countries(scale = 10, country = "Russia")  # Загрузка векторных границ (масштаб 1:10м)

# Установка границ отображаемой области (долгота/широта)
xmin=37  # Западная граница
xmax=49  # Восточная граница
ymin=68.5 # Южная граница
ymax=70.5 # Северная граница

# Построение карты
ggplot() +
  # Базовая карта России
  geom_sf(data = russia, fill = "lightblue") + 
  # Ограничение области отображения
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax)) +
  # Точки наблюдений с размером и цветом по переменной PROM (ненулевые уловы)
  geom_point(aes(x = X, y = Y, size = PROM, color = PROM),
             data = filter(DATA, PROM > 0), alpha = 0.6) +
  # Точки для нулевых уловов (крестики)
  geom_point(aes(x = X, y = Y),
             data = filter(DATA, PROM == 0),
             shape = 4, size = 1, stroke = 1, color = "black") +
  # Цветовая шкала (viridis, вариант H)
  scale_color_viridis_c(option = "H")

4.5 Карта распределения уловов, распределенных по квартилям

Рис. 4.: Карта распределения уловов, распределенных по квартилям

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Загрузка необходимых библиотек
library(rnaturalearth)
library(tidyverse)
library(sf)

####### ЗАГРУЗКА ДАННЫХ И ПОДГОТОВКА ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ ################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(YEAR == 2023, SURV == "CRAB")

# Получение границ России
russia <- ne_countries(scale = 10, country = "Russia") %>% 
  st_as_sf()

# Установка границ отображаемой области
xmin=37; xmax=49; ymin=68.5; ymax=70.5

####### ПОДГОТОВКА ДАННЫХ ДЛЯ ВИЗУАЛИЗАЦИИ ################
# Вычисляем квартили отдельно
quantiles <- quantile(DATA$PROM[DATA$PROM > 0], probs = seq(0, 1, 0.25))

# Создаем 4 категории с реальными диапазонами значений
nonzero_data <- DATA %>% 
  filter(PROM > 0) %>%
  mutate(
    PROM_cat = cut(
      PROM,
      breaks = quantiles,
      include.lowest = TRUE,
      labels = c(
        sprintf("%.1f - %.1f", quantiles[1], quantiles[2]),
        sprintf("%.1f - %.1f", quantiles[2], quantiles[3]),
        sprintf("%.1f - %.1f", quantiles[3], quantiles[4]),
        sprintf("%.1f - %.1f", quantiles[4], quantiles[5])
      )
    )
  )

# Построение карты
ggplot() +
  # Базовая карта России
  geom_sf(data = russia, fill = "lightblue", color = "gray40") + 
  # Ограничение области отображения
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax)) +
  # Точки наблюдений с категориальным размером
  geom_point(
    data = nonzero_data,
    aes(x = X, y = Y, size = PROM_cat, color = PROM),
    alpha = 0.7
  ) +
  # Точки для нулевых уловов (крестики)
  geom_point(
    data = filter(DATA, PROM == 0),
    aes(x = X, y = Y),
    shape = 4, size = 1.2, stroke = 1, color = "black"
  ) +
  # Цветовая шкала (непрерывная)
  scale_color_viridis_c(option = "H", name = NULL) +
  # Ручная настройка размеров для категорий
  scale_size_manual(
    name = "Улов (экз./ч)",
    values = c(2, 4, 6, 8),  # Размеры точек для категорий
    drop = FALSE
  ) +
  # Настройки темы
  theme_bw() +
  labs(
    title = "Распределение уловов краба (2023)",
    subtitle = "Черные крестики - нулевые уловы",
    x = "Долгота", 
    y = "Широта"
  ) +
  theme(
    panel.grid = element_line(color = "gray90"),
    legend.position = "bottom"
  )

4.6 Карта распределения уловов по фасеткам

Рис. 5.: Карта распределения уловов по фасеткам

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Установка и подключение библиотек (если не установлено — раскомментируй)
# install.packages(c("rnaturalearth", "tidyverse", "sf", "readxl", "viridis"))
library(rnaturalearth)
library(tidyverse)
library(sf)
library(readxl)
library(viridis)

####### ЗАГРУЗКА ДАННЫХ И ПОДГОТОВКА ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ ################

# Чтение и фильтрация данных (убираем фильтр по году, чтобы работать со всеми годами)
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(SURV == "CRAB")

# Получение границ России
russia <- ne_countries(scale = 10, country = "Russia") %>% 
  st_as_sf()

# Установка границ отображаемой области
xmin <- 37; xmax <- 49
ymin <- 68.5; ymax <- 70.5

# Вычисляем общие квартили для всех лет (чтобы категории были сопоставимыми)
quantiles <- quantile(DATA$PROM[DATA$PROM > 0], probs = seq(0, 1, 0.25))

# Создаем данные с ненулевыми уловами и категориями
nonzero_data <- DATA %>%
  filter(PROM > 0) %>%
  mutate(
PROM_cat = cut(
  PROM,
  breaks = c(-Inf, quantiles[2:4], Inf),
  include.lowest = TRUE,
  labels = c(
    sprintf("%d - %d", floor(quantiles[1]), floor(quantiles[2])),
    sprintf("%d - %d", floor(quantiles[2]), floor(quantiles[3])),
    sprintf("%d - %d", floor(quantiles[3]), floor(quantiles[4])),
    sprintf("%d - %d", floor(quantiles[4]), floor(max(DATA$PROM)))
  )
)
  )

# Отдельно выделяем точки с нулевым уловом
zero_data <- DATA %>% filter(PROM == 0)

####### ВИЗУАЛИЗАЦИЯ ################

# Фасеточная карта по годам
ggplot() +
  # Граница России
  geom_sf(data = russia, fill = "lightblue", color = "gray40") +
  
  # Ограничение области отображения
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax)) +
  
  # Точки с уловом
  geom_point(
    data = nonzero_data,
    aes(x = X, y = Y, size = PROM_cat, color = PROM),
    alpha = 0.7
  ) +
  
  # Нулевые уловы — крестики
  geom_point(
    data = zero_data,
    aes(x = X, y = Y),
    shape = 4, size = 1.2, stroke = 1, color = "black"
  ) +
  
  # Цветовая шкала
  scale_color_viridis_c(option = "H", name = NULL) +
  
  # Настройка размеров точек по категориям
  scale_size_manual(
    name = "Улов (экз./ч)",
    values = c(1, 2,4, 6),
    drop = FALSE
  ) +
  
  # Фасет по годам
  facet_wrap(~ YEAR, ncol = 2, labeller = label_value) +
  
  # Тема и заголовок
  theme_bw() +
  labs(
    title = "Распределение уловов краба по годам",
    subtitle = NULL,
    x = "Долгота", 
    y = "Широта"
  ) +
  theme(
    panel.grid = element_line(color = "gray90"),
    legend.position = "bottom"
  )

4.7 Карта распределения уловов с автокорреляцией LISA

Алгоритм LISA (Local Indicators of Spatial Association) представляет собой инструмент выявления пространственных закономерностей на уровне отдельных объектов. В отличие от глобальных показателей, которые дают обобщенную оценку автокорреляции для всего региона, LISA позволяет идентифицировать конкретные кластеры и аномалии, определяя, какие именно участки вносят основной вклад в пространственную структуру данных. В контексте анализа промысловых данных краба за 2023 год, этот метод позволяет выявить зоны концентрации уловов и территории с аномальными показателями.

Суть кластеризации по методу LISA заключается в сравнении значения каждого конкретного объекта (точки съемки) со значениями его соседей. Алгоритм последовательно выполняет несколько ключевых шагов: сначала создается матрица пространственных весов, где для каждой точки определяются k ближайших соседей (в данном случае k=4). Затем для каждой точки рассчитывается локальный индекс Морана (Ii), который количественно оценивает степень сходства между значением в точке и ее окружением. Статистическая значимость кластеризации проверяется через p-значение, полученное методом Монте-Карло.

Биологическая интерпретация выявленных кластеров основана на их классификации:

• High-High (красные точки): зоны высокой концентрации уловов, окруженные такими же продуктивными участками — потенциальные “горячие точки” скопления краба

• Low-Low (синие точки): территории с устойчиво низкими уловами, окруженные аналогичными участками — возможные акватории с неблагоприятными условиями

• High-Low (розовые точки): аномалии высоких уловов на фоне низкопродуктивного окружения — требуют проверки на ошибки данных или изучения уникальных локальных факторов

• Low-High (голубые точки): участки неожиданно низких уловов в окружении продуктивных зон — возможные признаки перелова или деградации среды

Визуализация результатов (рис. 6) сочетает картографическую основу с семантикой цвета и размера: размер точки пропорционален величине улова (PROM), а цвет отражает тип кластера. Серые точки обозначают территории без статистически значимой автокорреляции. Ограничение области исследования координатами 37-49° в.д. и 68.5-70.5° с.ш. фокусирует анализ на ключевом промысловом районе, а преобразование в проекцию UTM (32638) обеспечивает точность расчетов расстояний.

Практическая ценность анализа заключается в возможности целевого управления промыслом: выявленные кластеры High-High могут стать объектами особого мониторинга для предотвращения перелова, тогда как зоны Low-Low требуют изучения причин низкой продуктивности (например, исследования донных сообществ или океанографических условий). Аномальные точки (High-Low/Low-High) служат индикаторами для выборочного контроля достоверности данных. Такой подход переводит сырые данные съемки в пространственно-стратифицированную основу для принятия управленческих решений, позволяя оптимизировать промысловое усилие и минимизировать воздействие на уязвимые участки донных экосистем.

Рис. 6.: Карта распределения уловов с автокорреляцией LISA

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Загрузка библиотек
library(rnaturalearth)
library(tidyverse)
library(sf)
library(spdep)
library(ggspatial)
library(readxl)

# 1. ЗАГРУЗКА И ПОДГОТОВКА ДАННЫХ
DATA <- read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(YEAR == 2023, SURV == "CRAB")

# Проверка названий колонок
print(names(DATA))  # Убедитесь, что координаты названы правильно

# Преобразование в пространственные данные (замените X/Y на ваши названия)
points_sf <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)

# 2. ПОЛУЧЕНИЕ КАРТЫ РОССИИ
# Задаем границы области
xmin <- 37
xmax <- 49
ymin <- 68.5
ymax <- 70.5

# Создаём ограничивающий прямоугольник
bbox <- st_bbox(c(xmin = xmin, xmax = xmax, ymin = ymin, ymax = ymax), crs = 4326)
bbox_poly <- st_as_sfc(bbox)

# Карта России
russia <- ne_countries(country = "Russia", scale = 10) %>% 
  st_as_sf() %>% 
  st_crop(bbox)  # Обрезка без st_intersection

# 3. ПОДГОТОВКА ТОЧЕК
# Удаление дубликатов по координатам
coords <- st_coordinates(points_sf)
points_sf <- points_sf[!duplicated(coords), , drop = FALSE]

# Перевод в UTM
points_utm <- st_transform(points_sf, crs = 32638)

# 4. АНАЛИЗ LISA
# Матрица весов
knn <- knearneigh(points_utm, k = 4)
nb <- knn2nb(knn)
listw <- nb2listw(nb, style = "W")

# Локальный Моран
local_moran <- localmoran(points_utm$PROM, listw)

# Добавляем кластеры
points_utm <- points_utm %>%
  mutate(
    Local_I = local_moran[, "Ii"],
    P_value = local_moran[, "Pr(z != E(Ii))"],
    Mean_PROM = mean(PROM, na.rm = TRUE),  # Добавляем среднее значение
    Cluster = case_when(
      Local_I > 0 & PROM > Mean_PROM ~ "High-High",
      Local_I > 0 & PROM <= Mean_PROM ~ "Low-Low",  # Включаем PROM == 0
      Local_I < 0 & PROM > Mean_PROM ~ "High-Low",
      Local_I < 0 & PROM <= Mean_PROM ~ "Low-High",  # PROM == 0 попадает сюда
      TRUE ~ "Not significant"
    )
  )

# Обратно в WGS84
points_result <- st_transform(points_utm, crs = 4326)

# 5. ВИЗУАЛИЗАЦИЯ
cluster_colors <- c(
  "High-High" = "red",
  "Low-Low" = "blue",
  "High-Low" = "pink",
  "Low-High" = "lightblue",
  "Not significant" = "gray"
)

ggplot() +
  # Карта России
  geom_sf(data = russia, fill = "lightblue", color = "black") +
  
  # Все точки (включая PROM == 0) — в одном слое
  geom_sf(
    data = points_result,
    aes(color = Cluster, size = PROM),
    alpha = 0.8
  ) +
  
  # Настройки координат и масштаба
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax), expand = FALSE) +
  annotation_scale(location = "tl", width_hint = 0.3) +
  
  # Цвет и размер
  scale_color_manual(values = cluster_colors) +
  scale_size_continuous(range = c(1, 8), name = "Величина улова") +
  
  # Заголовки и тема
  labs(
    title = "Пространственная автокорреляция уловов краба (LISA)",
    subtitle = "2023 год, тип съемки: CRAB",
    color = "Тип кластера"
  ) +
  
theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    plot.subtitle = element_text(hjust = 0.5),
    legend.position = "right",
    panel.border = element_rect(colour = "black", size = 1, fill = NA)  # Рамка вокруг карты
  )

4.8 Карта распределения уловов с автокорреляцией LISA по фасеткам

Рис. 7.: Карта распределения уловов с автокорреляцией LISA по фасеткам

# Очистка памяти и установка рабочей папки
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Загрузка необходимых пакетов
library(rnaturalearth)  # Географические карты
library(tidyverse)      # Обработка данных и визуализация
library(sf)             # Пространственные данные
library(spdep)          # Пространственная статистика
library(ggspatial)      # Дополнения для карт в ggplot
library(readxl)         # Чтение Excel-файлов

# 1. ЗАГРУЗКА И ПРЕОБРАЗОВАНИЕ ДАННЫХ
# - Чтение данных из Excel
# - Фильтрация только данных по крабу
DATA <- read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(SURV == "CRAB")

# Преобразование в пространственный объект с координатами
points_sf <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)

# 2. ПОДГОТОВКА КАРТОГРАФИЧЕСКОЙ ОСНОВЫ
# - Определение границ области исследования
xmin <- 37; xmax <- 49; ymin <- 68.5; ymax <- 70.7

# - Создание ограничивающего прямоугольника
bbox <- st_bbox(c(xmin = xmin, xmax = xmax, ymin = ymin, ymax = ymax), crs = 4326)

# - Загрузка и обрезка карты России по заданным границам
russia <- ne_countries(country = "Russia", scale = 10) %>% 
  st_as_sf() %>% 
  st_crop(bbox)

# 3. ФУНКЦИЯ ДЛЯ ПРОСТРАНСТВЕННОГО АНАЛИЗА ПО ГОДАМ
analyze_year <- function(data_year) {
  # Удаление дубликатов координат
  coords <- st_coordinates(data_year)
  data_year <- data_year[!duplicated(coords), , drop = FALSE]
  
  # Перепроецирование в UTM для точных расчетов
  points_utm <- st_transform(data_year, crs = 32638)
  
  # Построение матрицы пространственных весов (4 ближайших соседа)
  knn <- knearneigh(points_utm, k = 4)
  nb <- knn2nb(knn)
  listw <- nb2listw(nb, style = "W")  # Стандартизованная матрица
  
  # Расчет локальной пространственной автокорреляции (LISA)
  local_moran <- localmoran(points_utm$PROM, listw)
  
  # Классификация кластеров на основе результатов
  points_utm <- points_utm %>%
    mutate(
      Local_I = local_moran[, "Ii"],
      P_value = local_moran[, "Pr(z != E(Ii))"],
      Mean_PROM = mean(PROM, na.rm = TRUE),
      Cluster = case_when(
        Local_I > 0 & PROM > Mean_PROM ~ "High-High",     # Горячая точка
        Local_I > 0 & PROM <= Mean_PROM ~ "Low-Low",      # Холодная точка
        Local_I < 0 & PROM > Mean_PROM ~ "High-Low",      # Выброс (высокий среди низких)
        Local_I < 0 & PROM <= Mean_PROM ~ "Low-High",     # Выброс (низкий среди высоких)
        TRUE ~ "Not significant"                          # Незначимые
      )
    )
  
  # Возврат в географические координаты
  st_transform(points_utm, crs = 4326)
}

# 4. ОБРАБОТКА ДАННЫХ ПО ГОДАМ
# - Разделение данных по годам
# - Применение анализа для каждого года
# - Объединение результатов
results_list <- DATA %>%
  group_split(YEAR) %>% 
  lapply(function(group) {
    analyze_year(st_as_sf(group, coords = c("X", "Y"), crs = 4326))
  }) %>%
  bind_rows()

# 5. КАТЕГОРИЗАЦИЯ УЛОВОВ
# - Расчет квантилей для всего набора данных
PROM_breaks <- quantile(results_list$PROM, 
                         probs = c(0, 0.25, 0.5, 0.75, 1), 
                         na.rm = TRUE) %>% 
  round(1)  # Округление значений

# - Создание меток с реальными диапазонами
PROM_labels <- sprintf("%.1f - %.1f", PROM_breaks[1:4], PROM_breaks[2:5])

# - Добавление категорий уловов в данные
results_list <- results_list %>%
  mutate(
    PROM_category = cut(
      PROM, 
      breaks = PROM_breaks, 
      labels = PROM_labels,
      include.lowest = TRUE
    )
  )

# 6. ВИЗУАЛИЗАЦИЯ РЕЗУЛЬТАТОВ
# Цветовая схема для типов кластеров
cluster_colors <- c(
  "High-High" = "red",       # Горячие точки
  "Low-Low" = "blue",        # Холодные точки
  "High-Low" = "pink",       # Выбросы высокие
  "Low-High" = "lightblue",  # Выбросы низкие
  "Not significant" = "gray" # Незначимые
)

# Построение карты
ggplot(data = results_list) +
  # Базовая карта России
  geom_sf(data = russia, fill = "#E8E5D6", color = "black", inherit.aes = FALSE) +
  
  # Точки наблюдений с цветом по кластерам и размером по уловам
  geom_sf(aes(color = Cluster, size = PROM_category), alpha = 0.8) +
  
  # Разделение на панели по годам
  facet_wrap(~ YEAR, ncol = 2) +
  
  # Установка границ карты
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax), expand = FALSE) +
  
  # Настройка легенды для кластеров
  scale_color_manual(
    values = cluster_colors,
    name = "Тип кластера",
    guide = guide_legend(nrow = 2)
  ) +
  
  # Настройка легенды для уловов (реальные диапазоны)
  scale_size_manual(
    name = "Величина улова",
    values = c(1, 2, 3, 5),  # Размеры точек для 4-х категорий
    breaks = levels(results_list$PROM_category),
    guide = guide_legend(nrow = 2)
  ) +
  
  # Заголовки и подписи
  labs(
    title = "Пространственная автокорреляция уловов краба (LISA)",
    subtitle = "Тип съемки: CRAB"
  ) +
  
  # Оформление графика
  theme_minimal() +
  theme(
    axis.text.x = element_text(size = 9, margin = margin(t = 5)),
    axis.text.y = element_text(size = 9, angle = 90, hjust = 0.5, margin = margin(r = 5)),
    panel.background = element_rect(fill = "#F0F8FF", color = NA),  # Фон океана
    panel.grid.major = element_line(color = "grey90", linetype = "dotted"),
    legend.position = "bottom",           # Легенда внизу
    legend.box = "horizontal",            # Горизонтальное расположение
    panel.border = element_rect(fill = NA, color = "black", size = 0.7),
    strip.background = element_rect(fill = "white", color = "black", size = 0.7),  # Заголовки панелей
    strip.text = element_text(size = 11, face = "bold")
  ) +
  
  # Разметка осей (долгота с шагом 2°, широта с шагом 1°)
  scale_x_continuous(
    breaks = seq(floor(xmin), ceiling(xmax), by = 2),
    labels = function(x) paste0(x, "°E")
  ) +
  scale_y_continuous(
    breaks = seq(floor(ymin), ceiling(ymax), by = 1),  
    labels = function(y) paste0(y, "°N")
  )

4.9 Промысловые карты с квартильным распределением уловов

Рис. 8.: Промысловые карты с квартильным распределением уловов

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Загрузка необходимых библиотек
library(rnaturalearth)
library(tidyverse)
library(sf)

####### ЗАГРУЗКА ДАННЫХ И ПОДГОТОВКА ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ ################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "FISHERY") %>% 
  filter(YEAR == 2023)

# Получение границ России
russia <- ne_countries(scale = 10, country = "Russia") %>% 
  st_as_sf()

# Установка границ отображаемой области
xmin=37; xmax=48; ymin=68.6; ymax=71

####### ПОДГОТОВКА ДАННЫХ ДЛЯ ВИЗУАЛИЗАЦИИ ################
# Вычисляем квартили отдельно
quantiles <- quantile(DATA$CPUE[DATA$CPUE > 0], probs = seq(0, 1, 0.25))

# Создаем 4 категории с реальными диапазонами значений
nonzero_data <- DATA %>% 
  filter(CPUE > 0) %>%
  mutate(
    CPUE_cat = cut(
      CPUE,
      breaks = quantiles,
      include.lowest = TRUE,
      labels = c(
        sprintf("%.1f - %.1f", quantiles[1], quantiles[2]),
        sprintf("%.1f - %.1f", quantiles[2], quantiles[3]),
        sprintf("%.1f - %.1f", quantiles[3], quantiles[4]),
        sprintf("%.1f - %.1f", quantiles[4], quantiles[5])
      )
    )
  )

# Построение карты
ggplot() +
  # Базовая карта России
  geom_sf(data = russia, fill = "lightblue", color = "gray40") + 
  # Ограничение области отображения
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax)) +
  # Точки наблюдений с категориальным размером
  geom_point(
    data = nonzero_data,
    aes(x = X, y = Y, size = CPUE_cat, color = CPUE),
    alpha = 0.7
  ) +
  # Точки для нулевых уловов (крестики)
  geom_point(
    data = filter(DATA, CPUE == 0),
    aes(x = X, y = Y),
    shape = 4, size = 1.2, stroke = 1, color = "black"
  ) +
  # Цветовая шкала (непрерывная)
  scale_color_viridis_c(option = "H", name = NULL) +
  # Ручная настройка размеров для категорий
  scale_size_manual(
    name = "CPUE",
    values = c(2, 4, 6, 8),  # Размеры точек для категорий
    drop = FALSE
  ) +
  # Настройки темы
  theme_bw() +
  labs(
    title = "Распределение CPUE краба (2023)",
    subtitle = NULL,
    x = "Долгота", 
    y = "Широта"
  ) +
  theme(
    panel.grid = element_line(color = "gray90"),
    legend.position = "bottom"
  )

4.10 Промысловые карты с агрегацией в центрах полигонов (промквадратов)

Рис. 9.: Промысловые карты с агрегацией в центрах полигонов (промквадратов)

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Загрузка необходимых библиотек
library(rnaturalearth)
library(tidyverse)
library(sf)

####### ЗАГРУЗКА ДАННЫХ И ПОДГОТОВКА ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ ################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "FISHERY") %>% 
  filter(YEAR == 2023)

# Преобразуем CPUE в пространственные точки
spec_points <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)

# Карта России
russia <- ne_countries(scale = 10, country = "Russia") 

# Параметры карты и сетки
xmin <- 32; xmax <- 48; ymin <- 68; ymax <- 72
xcs <- 1; ycs <- 0.25


# Создание основного датафрейма и пространственных объектов
points_sf <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)

# Создание сетки
grid_sf <- st_make_grid(points_sf, 
                        cellsize = c(xcs, ycs),
                        n = c(2 + (xmax - xmin)/xcs, 2 + (ymax - ymin)/ycs),
                        offset = c(xmin - xcs, ymin - ycs)) %>% 
  st_sf() %>% 
  mutate(cell_id = row_number())

# Присоединяем точки Catch к сетке и агрегируем по ячейкам и годам
shares_df_catch <- st_join(points_sf, grid_sf) %>% 
  st_drop_geometry() %>% 
  group_by(cell_id, YEAR) %>% 
  summarise(
    Count = n(),
    CATCH = mean(CPUE, na.rm = TRUE)
  ) %>% 
  ungroup()

# Присоединяем статистику Catch к сетке
gird_shares_catch <- right_join(grid_sf, shares_df_catch, by = "cell_id")



# Центроиды сетки по W
CENTROIDS_W <- gird_shares_catch %>% 
  st_centroid()

#################### ВИЗУАЛИЗАЦИЯ #########################################

ggplot() +
  # 1. Сетка без заливки
  geom_sf(data = grid_sf, fill = NA, color = "grey80", linewidth = 0.3) +
  
  # 2. Границы России
  geom_sf(data = russia, fill = "grey95") +
  
  # 3. Центроиды ячеек с CATCH (цвет и размер по значению)
  geom_sf(
    data = CENTROIDS_W, 
    aes(size = CATCH, color = CATCH),
    shape = 16, 
    alpha = 0.7
  ) +
  
  # 4. Цветовая шкала (viridis как в первом скрипте)
  scale_color_viridis_c(
    option = "H", 
    name = NULL,
    limits = c(0, max(gird_shares_catch$CATCH, na.rm = TRUE))
  ) +
  
  # 5. Шкала размера центроидов
  scale_size_continuous(
    range = c(1, 10), 
    name = "CPUE"
  ) +
  
  # 6. Обрезаем область отображения
  coord_sf(
    xlim = c(xmin, xmax), 
    ylim = c(ymin, ymax),
    expand = FALSE  # Точное соответствие границ
  ) +
  
  # 7. Шкалы для осей координат
  scale_x_continuous(
    breaks = seq(xmin, xmax, by = 2),  # Метки каждые 2 градуса
    name = "Долгота"
  ) +
  scale_y_continuous(
    breaks = seq(ymin, ymax, by = 0.5),  # Метки каждые 0.5 градуса
    name = "Широта"
  ) +
  
  # 8. Тема оформления
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    legend.position = "bottom",
    panel.border = element_rect(fill = NA, color = "black", size = 0.5),
    # Добавляем сетку для осей координат
    panel.grid.major = element_line(color = "gray90", linewidth = 0.2)
  ) +
  
  # 9. Явное указание названий осей (дублируем для надежности)
  labs(x = "Долгота", y = "Широта")

4.11 Промысловые карты - картограммы

Рис. 10.: Промысловые карты - картограммы

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

# Загрузка необходимых библиотек
library(rnaturalearth)
library(tidyverse)
library(sf)

####### ЗАГРУЗКА ДАННЫХ И ПОДГОТОВКА ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ ################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "FISHERY") %>% 
  filter(YEAR == 2023)

# Преобразуем CPUE в пространственные точки
spec_points <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)

# Карта России
russia <- ne_countries(scale = 10, country = "Russia") 

# Параметры карты и сетки
xmin <- 32; xmax <- 48; ymin <- 68; ymax <- 72
xcs <- 1; ycs <- 0.25


# Создание основного датафрейма и пространственных объектов
points_sf <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)

# Создание сетки
grid_sf <- st_make_grid(points_sf, 
                        cellsize = c(xcs, ycs),
                        n = c(2 + (xmax - xmin)/xcs, 2 + (ymax - ymin)/ycs),
                        offset = c(xmin - xcs, ymin - ycs)) %>% 
  st_sf() %>% 
  mutate(cell_id = row_number())

# Присоединяем точки Catch к сетке и агрегируем по ячейкам и годам
shares_df_catch <- st_join(points_sf, grid_sf) %>% 
  st_drop_geometry() %>% 
  group_by(cell_id, YEAR) %>% 
  summarise(
    Count = n(),
    CATCH = mean(CPUE, na.rm = TRUE)
  ) %>% 
  ungroup()

# Присоединяем статистику Catch к сетке
gird_shares_catch <- right_join(grid_sf, shares_df_catch, by = "cell_id")



# Центроиды сетки по W
CENTROIDS_W <- gird_shares_catch %>% 
  st_centroid()

#################### ВИЗУАЛИЗАЦИЯ #########################################

ggplot() +
  # 1. Сетка без заливки
  geom_sf(data = grid_sf, fill = NA, color = "grey80", linewidth = 0.3) +
  
  # 2. Границы России
  geom_sf(data = russia, fill = "grey95") +
  
  # 3. Заливка по улову с палитрой viridis option "H"
  geom_sf(data = gird_shares_catch, aes(fill = CATCH), color = NA) +
  
  # 4. Цветовая шкала viridis option "H" для заливки
  scale_fill_viridis_c(
    option = "H", 
    name = "CPUE",
    limits = c(0, max(gird_shares_catch$CATCH, na.rm = TRUE)),
    na.value = "transparent"
  ) +
  
  # 5. Обрезаем область отображения
  coord_sf(
    xlim = c(xmin, xmax), 
    ylim = c(ymin, ymax),
    expand = FALSE
  ) +
  
  # 6. Шкалы для осей координат
  scale_x_continuous(
    breaks = seq(xmin, xmax, by = 2),
    name = "Долгота"
  ) +
  scale_y_continuous(
    breaks = seq(ymin, ymax, by = 0.5),
    name = "Широта"
  ) +
  
  # 7. Тема оформления
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    legend.position = "bottom",
    panel.border = element_rect(fill = NA, color = "black", size = 0.5),
    panel.grid.major = element_line(color = "gray90", size = 0.2)
  ) +
  labs(x = "Долгота", y = "Широта")

4.12 Промысловые карты - картограммы по фасеткам

Рис. 11.: Промысловые карты - картограммы по фасеткам

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

library(rnaturalearth)
library(tidyverse)
library(ggspatial)
library(sf)

####### READ DATA AND PREPARE SPATIAL OBJECTS ############################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "FISHERY") %>% 
  filter(YEAR > 2020 & YEAR < 2025)

# Карта России
russia <- ne_countries(scale = 10, country = "Russia") 

# Параметры карты и сетки
xmin <- 32; xmax <- 48; ymin <- 68; ymax <- 72
xcs <- 2; ycs <- 0.5

# Преобразование в пространственные объекты
points_sf <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)

# Создание сетки
grid_sf <- st_make_grid(
  points_sf,
  cellsize = c(xcs, ycs),
  n = c(2 + (xmax - xmin)/xcs, 2 + (ymax - ymin)/ycs),
  offset = c(xmin - xcs, ymin - ycs)
) %>% 
  st_sf() %>% 
  mutate(cell_id = row_number())

# Агрегация данных по сетке и годам
shares_df_catch <- points_sf %>% 
  st_join(grid_sf) %>% 
  st_drop_geometry() %>% 
  group_by(cell_id, YEAR) %>% 
  summarise(CATCH = mean(CPUE, na.rm = TRUE), .groups = 'drop')

# Присоединение статистики к сетке
gird_shares_catch <- grid_sf %>% 
  right_join(shares_df_catch, by = "cell_id")

#################### ВИЗУАЛИЗАЦИЯ #########################################

# Определяем общий максимум CPUE для единой шкалы цветов
catch_max <- max(gird_shares_catch$CATCH, na.rm = TRUE)

# Рассчитываем шаг для подписей (в 2 раза реже исходной сетки)
x_breaks <- seq(xmin, xmax, by = xcs * 2)  # 4 градуса
y_breaks <- seq(ymin, ymax, by = ycs * 2)  # 1 градус

# Функция для форматирования подписей: пропускаем первую подпись
format_labels <- function(breaks) {
  labels <- paste0(breaks, "°")
  labels[1] <- ""  # Пропускаем первую подпись
  return(labels)
}

ggplot() +
  # Контуры сетки
  geom_sf(data = grid_sf, fill = NA, color = "grey80", linewidth = 0.3) +
  
  # Заливка по улову с цветовой схемой viridis
  geom_sf(data = gird_shares_catch, aes(fill = CATCH), color = NA) +
  
  # Границы России
  geom_sf(data = russia, fill = "#E8E5D6") +
  
  # Фасетирование по годам
  facet_wrap(~ YEAR, nrow = 2) +
  
  # Цветовая шкала
  scale_fill_viridis_c(
    option = "H", 
    name = "CPUE",
    limits = c(0, catch_max),
    na.value = "transparent"
  ) +
  
  # Область отображения
  coord_sf(
    xlim = c(xmin, xmax), 
    ylim = c(ymin, ymax),
    expand = FALSE
  ) +
  
  # Управление подписями осей с символом градуса (пропускаем первую подпись)
  scale_x_continuous(
    breaks = x_breaks,
    labels = format_labels
  ) +
  scale_y_continuous(
    breaks = y_breaks,
    labels = format_labels
  ) +
  
  # Оформление с тиками на осях
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    legend.position = "bottom",
    legend.key.width = unit(2.5, "cm"),
    legend.title = element_text(vjust = 0.8, size = 12),
    panel.border = element_rect(fill = NA, color = "black", size = 0.7),
    panel.grid.major = element_line(color = "grey90", size = 0.2),
    strip.background = element_rect(fill = "#E8E5D6", color = "black"),
    strip.text = element_text(face = "bold", size = 12),
    axis.text.x = element_text(size = 9, angle = 0, margin = margin(t = 5)),
    axis.text.y = element_text(size = 9, angle = 90, hjust = 0.5, margin = margin(r = 5)),
    axis.title.x = element_blank(),
    axis.title.y = element_blank(),
    
    # Тики (засечки) на оси
    axis.ticks = element_line(color = "black", size = 0.5),
    axis.ticks.length = unit(0.2, "cm"),
    axis.ticks.x = element_line(color = "black", size = 0.5),
    axis.ticks.y = element_line(color = "black", size = 0.5)
  ) +
  
  # Настройка легенды
  guides(fill = guide_colorbar(
    title.position = "top",
    title.hjust = 0.5,
    barwidth = 15,
    frame.colour = "black",
    ticks.colour = "black"
  ))

# Сохранение результата
ggsave("KARTOGRAPH11.jpg", 
       device = "jpeg", 
       dpi = 300,
       width = 7,
       height = 5,
       units = "in")

4.13 Гибридные карты - картограммы и точки (съемка и промысловые данные)

Рис. 12.: Гибридные карты - картограммы и точки (съемка и промысловые данные)

# Очистка окружения и установка рабочей директории
rm(list = ls())
setwd("C:/COURSES/KARTOGRAPH/")

library(rnaturalearth)
library(tidyverse)
library(ggspatial)
library(sf)

####### READ DATA AND PREPARE SPATIAL OBJECTS ############################

# Чтение и фильтрация данных
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "FISHERY") %>% 
  filter(YEAR > 2020 & YEAR < 2025)

SURVEY <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY") %>% 
  filter(YEAR > 2020 & YEAR < 2025, SURV == "CRAB")

# Создание 4 категорий для переменной PROM
breaks <- quantile(SURVEY$PROM, 
                   probs = c(0, 0.25, 0.5, 0.75, 1), 
                   na.rm = TRUE)
SURVEY$PROM_cat <- cut(SURVEY$PROM,
                       breaks = breaks,
                       include.lowest = TRUE,
                       labels = c("Q1 (Low)", "Q2", "Q3", "Q4 (High)"))

# Карта России
russia <- ne_countries(scale = 10, country = "Russia") 

# Параметры карты и сетки
xmin <- 32; xmax <- 48; ymin <- 68; ymax <- 72
xcs <- 2; ycs <- 0.5

# Преобразование в пространственные объекты
points_sf <- st_as_sf(DATA, coords = c("X", "Y"), crs = 4326)
survey_sf <- st_as_sf(SURVEY, coords = c("X", "Y"), crs = 4326)

# Создание сетки
grid_sf <- st_make_grid(
  points_sf,
  cellsize = c(xcs, ycs),
  n = c(2 + (xmax - xmin)/xcs, 2 + (ymax - ymin)/ycs),
  offset = c(xmin - xcs, ymin - ycs)
) %>% 
  st_sf() %>% 
  mutate(cell_id = row_number())

# Агрегация данных по сетке и годам
shares_df_catch <- points_sf %>% 
  st_join(grid_sf) %>% 
  st_drop_geometry() %>% 
  group_by(cell_id, YEAR) %>% 
  summarise(CATCH = mean(CPUE, na.rm = TRUE), .groups = 'drop')

# Присоединение статистики к сетке
gird_shares_catch <- grid_sf %>% 
  right_join(shares_df_catch, by = "cell_id")

################### ВИЗУАЛИЗАЦИЯ #########################################
ggplot() +
  # Контуры сетки
  geom_sf(data = grid_sf, fill = NA, color = "grey80", linewidth = 0.3) +
  
  # Заливка по улову (средний CPUE)
  geom_sf(data = gird_shares_catch, aes(fill = CATCH)) +
  
  # Границы России
  geom_sf(data = russia, fill = "#E8E5D6") +
  
  # Точки SURVEY: голубые с черной окантовкой
  geom_sf(data = survey_sf, 
          aes(size = PROM_cat),
          fill = "lightblue",    # Голубая заливка
          color = "black",        # Черная окантовка
          alpha = 0.7,
          shape = 21,             # Круг с обводкой
          stroke = 0.5,           # Толщина окантовки
          show.legend = "point") +
  
  # Фасетирование по годам
  facet_wrap(~ YEAR, nrow = 2) +
  
  # Цветовая шкала для заливки
  scale_fill_gradient(
    low = "white", 
    high = "red",
    na.value = NA,
    limits = c(0, max(gird_shares_catch$CATCH, na.rm = TRUE)),
    name = "Catch (CPUE)"
  ) +
  
  # Шкала размеров для точек
  scale_size_manual(
    name = "PROM Category",
    values = c(1.5, 2.5, 3.5, 4.5)  # Размеры точек для 4 категорий
  ) +
  
  ### ОСИ С ГЕОГРАФИЧЕСКИМИ КООРДИНАТАМИ ###
  scale_x_continuous(
    breaks = c(32, 38, 44, 48),                    
    labels = c("32°E", "38°E", "44°E", "48°E"),    
    name = NULL
  ) +
  scale_y_continuous(
    breaks = c(68.5, 69.5, 70.5, 71.5),          
    labels = c("68.5°N", "69.5°N", "70.5°N", "71.5°N"),
    name = NULL
  ) +
  
  # Область отображения
  coord_sf(xlim = c(xmin, xmax), ylim = c(ymin, ymax)) +
  
  # Оформление
  theme_minimal() +
  theme(
    axis.text.x = element_text(size = 8),
    axis.text.y = element_text(size = 8, angle = 90, hjust = 0.5),
    panel.grid = element_line(color = "grey90"),
    legend.position = "bottom",
    legend.box = "horizontal",  # Размещение легенд в одну строку
    panel.border = element_rect(fill = NA, color = "black", size = 0.5),
    strip.background = element_rect(fill = "white", color = "black")
  ) +
  # Управление легендами
  guides(
    fill = guide_colorbar(title.position = "top", title.hjust = 0.5),
    size = guide_legend(title.position = "top", title.hjust = 0.5)
  )

4.14 Карты для “главы Материал и методы”

Рис. 13.: Карты для “главы Материал и методы”

# Очистка окружения и установка рабочей директории
rm(list = ls()) # Удаление всех объектов из глобального окружения
setwd("C:/COURSES/KARTOGRAPH/") # Установка рабочей директории

# -----------------
# ЗАГРУЗКА ПАКЕТОВ
# -----------------
library(sf)          # Пространственные операции с векторными данными
library(marmap)      # Работа с батиметрическими данными (карты глубин)
library(tidyverse)   # Коллекция пакетов для обработки данных (dplyr, ggplot2 и др.)
library(rnaturalearth) # Векторные картографические данные (границы, береговые линии)
library(ggspatial)   # Инструменты для пространственной визуализации в ggplot
library(readxl)      # Импорт данных из Excel-файлов

# -----------------
# ЗАГРУЗКА ДАННЫХ
# -----------------
# Чтение данных из Excel-листа
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY")

# Фильтрация данных:
SUMMER <- DATA[DATA$SURV == "SUM" & DATA$YEAR == 2024, ] # Летние исследования 2024
CRAB <- DATA[DATA$SURV == "CRAB" & DATA$YEAR == 2024, ]   # Крабовые исследования 2024

# -----------------
# ПОДГОТОВКА КАРТОГРАФИЧЕСКОЙ ОСНОВЫ
# -----------------
# Загрузка векторных границ России
russia_map <- ne_states(country = "russia", returnclass = "sf")

# Загрузка береговой линии мирового океана
coast <- ne_coastline(scale = 10, returnclass = "sf")

# Создание сетки для навигации (5° по долготе, 1° по широте)
ga_grid <- russia_map %>% 
  st_make_grid(cellsize = c(5, 1), offset = c(30, 67))

# Установка границ региона интереса
xmin <- 30; xmax <- 58
ymin <- 67; ymax <- 72.5

# -----------------
# БАТИМЕТРИЧЕСКИЕ ДАННЫЕ
# -----------------
# Загрузка данных о глубинах из базы NOAA
bat <- getNOAA.bathy(
  lon1 = xmin, lon2 = xmax,
  lat1 = ymin, lat2 = ymax,
  resolution = 1,   # Разрешение данных (1 минута дуги)
  keep = TRUE       # Сохранить кэш на диске
)

# Преобразование в таблицу XYZ (долгота, широта, глубина)
bat_xyz <- as.xyz(bat)

# Создание цветовой схемы для глубин:
breaks <- c(-10000, -7000, -6000, -5000, -4000, -3000, -2000, -1000, 
            -500, -200, -50, -1, 5, 50, 100, 150, 200, 300, 400, 500, 1000, 3000)
cols <- c(
  "#5e99d6", "#669cd4", "#6c9fd4", "#96bce3", "#AEC8E3", "#a6c4e3",
  "#AEC8E3", "#BBD0EB", "#C7DCF1", "#DAECFA", "#D2E5F6", "#e1f2d8",
  "#B8D3AA", "#b3b387", "#9EC187", "#C7D097", "#DADBAF", "#F3F0C7",
  "#E6DBA8", "#DACFA1", "#D1BF81", "#C69D45"
)

# Категоризация глубин для визуализации
bat_xyz$V4 <- cut(bat_xyz$V3, breaks = breaks)
niveles <- levels(bat_xyz$V4)  # Сохранение уровней для легенды

# -----------------
# ПОСТРОЕНИЕ БАЗОВОЙ КАРТЫ
# -----------------
map <- ggplot() +
  # Векторные границы России
  geom_sf(data = russia_map) +
  # Батиметрическая подложка (цвет = глубина)
  geom_tile(data = bat_xyz, aes(x = V1, y = V2, fill = V4), show.legend = FALSE) +
  # Цветовая схема для глубин
  scale_fill_manual(name = "Глубина", values = cols, breaks = niveles) +
  # Наложение сетки
  geom_sf(data = ga_grid, alpha = 0.01, linetype = 3) +
  # Береговая линия
  geom_sf(data = coast, linewidth = 0.2, fill = NA) +
  # Ограничение области карты
  coord_sf(xlim = c(32, 56), ylim = c(68.5, 72.3)) +
  # Масштабная линейка (top-left)
  annotation_scale(location = "tl", width_hint = 0.2) +
  # Оформление
  labs(x = NULL, y = NULL, fill = "Глубина (м)") +
  theme(panel.border = element_rect(colour = "black", fill = NA, linewidth = 1))

# -----------------
# ДОБАВЛЕНИЕ АННОТАЦИЙ
# -----------------
map <- map +
  annotate("text", x = 40, y = 72.1, size = 5, 
           label = "Баренцево море", fontface = "bold") +
  annotate("text", x = 52.2, y = 69.1, size = 4, 
           label = "о. Колгуев", fontface = "bold") +
  annotate("text", x = 33, y = 68.9, size = 4, 
           label = "Кольский", fontface = "bold") +
  annotate("text", x = 33, y = 68.6, size = 4, 
           label = "п-ов", fontface = "bold")

# -----------------
# ДОБАВЛЕНИЕ ТОЧЕК НАБЛЮДЕНИЙ
# -----------------
map <- map +
  # Точки исследований краба (синие)
  geom_point(
    data = CRAB, 
    aes(x = X + 0.2, y = Y), # Смещение для визуального разделения
    size = 3, color = "black", fill = "#1E90FF", 
    shape = 21, alpha = 1
  ) +
  # Точки летних исследований (оранжевые)
  geom_point(
    data = SUMMER, 
    aes(x = X, y = Y), 
    size = 3, color = "black", fill = "#FFA500", 
    shape = 21, alpha = 1
  )

# Вывод финальной карты
print(map)

# -----------------
# СОХРАНЕНИЕ РЕЗУЛЬТАТА
# -----------------
ggsave("DATA_MAP.jpg", 
       plot = map,          # Используем явное указание объекта
       device = "jpeg", 
       dpi = 600,           # Высокое разрешение
       width = 7,           # Ширина в дюймах
       height = 5,          # Высота в дюймах
       units = "in")

4.15 Карты с картой-врезкой и маршрутом

Рис. 14.: Карты с картой-врезкой и маршрутом

# Очистка окружения и установка рабочей директории
rm(list = ls()) # Удаление всех объектов из глобального окружения
setwd("C:/COURSES/KARTOGRAPH/") # Установка рабочей директории

# -----------------
# ЗАГРУЗКА ПАКЕТОВ
# -----------------
library(sf)          # Пространственные операции с векторными данными
library(marmap)      # Работа с батиметрическими данными (карты глубин)
library(tidyverse)   # Коллекция пакетов для обработки данных
library(rnaturalearth) # Векторные картографические данные
library(ggspatial)   # Инструменты для пространственной визуализации
library(readxl)      # Импорт данных из Excel
library(ggOceanMaps) # Специализированные карты океанов
library(cowplot)     # Компоновка графиков и добавление элементов

# -----------------
# ЗАГРУЗКА ДАННЫХ
# -----------------
# Чтение данных из Excel
DATA <- readxl::read_excel("KARTOGRAPHIC.xlsx", sheet = "SURVEY")

# Фильтрация данных (крабовые исследования 2022)
DATA <- DATA[DATA$SURV == "CRAB" & DATA$YEAR == 2022, ]

# Загрузка векторных границ России
russia_map <- ne_states(country = "russia", returnclass = "sf")

# Установка границ региона интереса
xmin <- 35; xmax <- 50
ymin <- 67.2; ymax <- 71

# -----------------
# БАТИМЕТРИЧЕСКИЕ ДАННЫЕ
# -----------------
# Загрузка данных о глубинах
bat <- getNOAA.bathy(xmin, xmax, ymin, ymax, resolution = 1, keep = TRUE)
bat_xyz <- as.xyz(bat)

# Определение цветовых уровней для глубин
breaks <- c(-10000, -7000, -6000, -5000, -4000, -3000, -2000, -1000, 
            -500, -200, -50, -1, 5, 50, 100, 150, 200, 300, 400, 500, 1000, 3000)
cols <- c(
  "#5e99d6", "#669cd4", "#6c9fd4", "#96bce3", "#AEC8E3", "#a6c4e3",
  "#AEC8E3", "#BBD0EB", "#C7DCF1", "#DAECFA", "#D2E5F6", "#e1f2d8",
  "#B8D3AA", "#b3b387", "#9EC187", "#C7D097", "#DADBAF", "#F3F0C7",
  "#E6DBA8", "#DACFA1", "#D1BF81", "#C69D45"
)

# Категоризация глубин
bat_xyz$V4 <- cut(bat_xyz$V3, breaks = breaks)
niveles <- levels(bat_xyz$V4)

# Создание координатной сетки
ga_grid <- russia_map %>% 
  st_make_grid(cellsize = c(2, 0.5), offset = c(34, 67))

# -----------------
# ПОСТРОЕНИЕ ОСНОВНОЙ КАРТЫ
# -----------------
map <- ggplot() +
  # Векторные границы России
  geom_sf(data = russia_map) +
  # Батиметрическая подложка
  geom_tile(data = bat_xyz, aes(x = V1, y = V2, fill = V4), show.legend = FALSE) +
  scale_fill_manual(values = cols, breaks = niveles) +
  # Контур нулевой глубины (береговая линия)
  geom_contour(data = bat_xyz, aes(x = V1, y = V2, z = V3), 
               breaks = 0, color = "black", linewidth = 0.5) + 
  # Координатная сетка
  geom_sf(data = ga_grid, alpha = 0.01, linetype = 3) +
  # Ограничение области карты
  coord_sf(xlim = c(36, 49), ylim = c(67.4, 70.8)) + 
  # Масштабная линейка
  annotation_scale(location = "tr", width_hint = 0.5) +
  labs(x = NULL, y = NULL) +
  # Географические подписи
  annotate("text", x = 47, y = 70.7, size = 5, 
           label = "Баренцево море", fontface = "bold") +
  annotate("text", x = 48.4, y = 68.62, size = 4,
           label = "о. Колгуев", fontface = "bold") +
  annotate("text", x = 37.5, y = 67.7, size = 5,
           label = "Кольский п-ов", fontface = "bold") +
  # Маршрут и точки исследований
  geom_path(data = DATA, aes(x = X, y = Y), color = "black") +
  geom_point(data = DATA, aes(x = X, y = Y), 
             size = 3, color = "black", fill = "white", 
             shape = 21, alpha = 0.8) +
  # ДОБАВЛЕНИЕ РАМКИ - ключевое изменение
  theme(panel.border = element_rect(colour = "black", fill = NA, linewidth = 1.5))

# -----------------
# СОЗДАНИЕ ВСТАВКИ-ЛОКАЦИИ
# -----------------
# Область для вставки
ins <- data.frame(lon = c(10, 10, 70, 70), lat = c(67, 80, 80, 67))

# Получение данных для вставки
mar_bathy <- getNOAA.bathy(9, 71, 66.5, 83, res = 4, keep = TRUE)
bathy <- raster_bathymetry(stars::st_as_stars(marmap::as.raster(mar_bathy)), 
                           depths = NULL, verbose = FALSE)

# Построение вставки
insetmap <- basemap(ins, shapefiles = list(land = dd_land, bathy = bathy), 
                   bathy.style = "rub", legends = FALSE) +
  # Прямоугольник, обозначающий область основной карты
  geom_rect(aes(xmin = 35, xmax = 51, ymin = 67.5, ymax = 71), 
            fill = "black", color = "black", alpha = 0.2) +
  labs(y = NULL, x = NULL) +
  # Упрощение оформления
  theme(axis.text.x = element_blank(), 
        axis.text.y = element_blank(),
        # Рамка для вставки
        panel.border = element_rect(colour = "black", fill = NA, linewidth = 1))

# -----------------
# ФИНАЛЬНАЯ КОМПОНОВКА С РАМКОЙ
# -----------------
MAP <- ggdraw() +
  # Основная карта
  draw_plot(map) +
  # Вставка с позиционированием
  draw_plot(insetmap,
            height = 0.3,
            x = -0.26,
            y = 0.55) 

# Вывод финальной карты
print(MAP)

# -----------------
# СОХРАНЕНИЕ РЕЗУЛЬТАТА
# -----------------
ggsave("DATA_MAP_FRAMED.jpg", 
       plot = MAP,
       device = "jpeg", 
       dpi = 600,
       width = 7,
       height = 6,
       units = "in")