Analyse: GPS

Werbeträger in Nürnberg – Visualisierung mit leaflet

Zusammenfassung

Diese Datei lädt die vorbereiteten GPS-Daten der Werbeträger in Nürnberg und visualisiert sie interaktiv.
Im Fokus steht eine einfache Kategorienbildung, damit die Karte übersichtlich bleibt.
Die Karte wird mit dem Paket leaflet erstellt, inklusive Farbskala und Popups.

Setup

library(sf)

Linking to GEOS 3.14.1, GDAL 3.12.1, PROJ 9.7.1; sf_use_s2() is TRUE

library(dplyr)


Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

library(readr)
library(here)

here() starts at /Users/ca/repositories/academic/dbd_2025

library(leaflet)
library(dbscan)


Attaching package: 'dbscan'

The following object is masked from 'package:stats':

    as.dendrogram

library(leaflet.extras)

Hintergrund: leaflet

leaflet ist ein R-Interface zur JavaScript-Bibliothek Leaflet und ermöglicht interaktive Webkarten.
Die Karten bestehen aus Kacheln (Tiles) als Hintergrund, auf die Marker oder Punkte gelegt werden.
In R wird die Karte über eine „Pipeline“ aufgebaut: erst Grundkarte, dann Ebenen wie Marker, Legenden und Popups.
Der Vorteil: Karten sind zoom- und verschiebbar, und lassen sich direkt im HTML-Output erkunden.

Import data

df <- read_csv(
    here("data/gps-advertings_in_nbg.csv")
)

Rows: 402 Columns: 6
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): name, advertising, geom_source
dbl (3): osm_id, lat, lon

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Create map

# 1) Daten in ein sf-Objekt überführen (Punktgeometrie aus lon/lat)
adv_sf <- st_as_sf(df, coords = c("lon", "lat"), crs = 4326, remove = FALSE) %>%
  # fehlende/leer Kategorien konsistent füllen
  mutate(advertising = if_else(is.na(advertising) | advertising == "", "unknown", advertising))

# 2) (Optional) seltene Kategorien zusammenfassen, damit die Karte nicht überfrachtet
top_types <- adv_sf %>% count(advertising, sort = TRUE) %>% slice_head(n = 8) %>% pull(advertising)
adv_sf <- adv_sf %>%
  # alle anderen Kategorien auf "other" bündeln
  mutate(advertising2 = if_else(advertising %in% top_types, advertising, "other"))

# 3) Farbpalette: Set2 erlaubt max. 8 Farben -> Palette dynamisch erweitern
n_cats <- length(unique(adv_sf$advertising2))
pal_cols <- colorRampPalette(RColorBrewer::brewer.pal(8, "Set2"))(n_cats)
pal <- colorFactor(pal_cols, domain = adv_sf$advertising2)

# 4) Karte aufbauen: Tiles -> Marker -> Legende
leaflet(adv_sf) %>%
  # Hintergrundkarte (hell, gut für Punkte)
  addProviderTiles("CartoDB.Positron") %>%
  # Punktmarker je Standort
  addCircleMarkers(
    lng = ~lon, lat = ~lat,
    radius = 5,
    color = ~pal(advertising2),
    stroke = FALSE, fillOpacity = 0.8,
    # Popup zeigt Originalkategorie + Name
    popup = ~paste0("<b>", advertising, "</b><br>", name)
  ) %>%
  # Legende erklärt die Farben
  addLegend("bottomright", pal = pal, values = ~advertising2, title = "advertising")

Clusteranalyse (DBSCAN)

# 1) Koordinaten in metrisches CRS transformieren (für Distanz in Metern)
adv_sf_m <- st_transform(adv_sf, 3857)
coords_m <- st_coordinates(adv_sf_m)

# 2) DBSCAN: eps = Radius in Metern, minPts = Mindestpunkte pro Cluster
db <- dbscan(coords_m, eps = 150, minPts = 6)

# 3) Clusterlabels an die Daten hängen (0 = "noise")
adv_sf <- adv_sf %>%
  mutate(cluster = if_else(db$cluster == 0L, "noise", paste0("C", db$cluster)))

# 4) Karte: Clusterfarben + Legende
pal_cl <- colorFactor("Set3", domain = adv_sf$cluster)

leaflet(adv_sf) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addCircleMarkers(
    lng = ~lon, lat = ~lat,
    radius = 5,
    color = ~pal_cl(cluster),
    stroke = FALSE, fillOpacity = 0.8,
    popup = ~paste0("<b>Cluster:</b> ", cluster, "<br>", name)
  ) %>%
  addLegend("bottomright", pal = pal_cl, values = ~cluster, title = "DBSCAN-Cluster")

Warning in RColorBrewer::brewer.pal(max(3, n), palette): n too large, allowed maximum for palette Set3 is 12
Returning the palette you asked for with that many colors
Warning in RColorBrewer::brewer.pal(max(3, n), palette): n too large, allowed maximum for palette Set3 is 12
Returning the palette you asked for with that many colors
Warning in RColorBrewer::brewer.pal(max(3, n), palette): n too large, allowed maximum for palette Set3 is 12
Returning the palette you asked for with that many colors

Dichteanalyse (Heatmap)

# Heatmap: Dichteflächen statt Einzelpunkte
leaflet(adv_sf) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addHeatmap(
    lng = ~lon, lat = ~lat,
    blur = 20, radius = 12, max = 0.8
  )

Vergleich nach Kategorien

# Pro Kategorie eine eigene Karte (Top-Kategorien + other)
cats <- sort(unique(adv_sf$advertising2))

for (cat in cats) {
  cat_sf <- adv_sf %>% filter(advertising2 == cat)
  print(
    leaflet(cat_sf) %>%
      addProviderTiles("CartoDB.Positron") %>%
      addCircleMarkers(
        lng = ~lon, lat = ~lat,
        radius = 5, color = "#2c7fb8",
        stroke = FALSE, fillOpacity = 0.8,
        popup = ~paste0("<b>", advertising, "</b><br>", name)
      ) %>%
      addLegend("bottomright", colors = "#2c7fb8", labels = cat, title = "Kategorie")
  )
}

Nearest-Neighbor-Distanz

# Distanz in Metern berechnen (metrisches CRS)
adv_sf_m <- st_transform(adv_sf, 3857)

# Nächster Nachbar für jeden Punkt
nn_idx <- st_nearest_feature(adv_sf_m)
nn_dist <- st_distance(adv_sf_m, adv_sf_m[nn_idx, ], by_element = TRUE)

# Ergebnis als numerische Meterwerte
adv_sf_m$nn_dist_m <- as.numeric(nn_dist)

# Durchschnittliche NN-Distanz je Kategorie
nn_summary <- adv_sf_m %>%
  st_drop_geometry() %>%
  group_by(advertising2) %>%
  summarize(
    n = n(),
    nn_mean_m = mean(nn_dist_m, na.rm = TRUE),
    nn_median_m = median(nn_dist_m, na.rm = TRUE)
  ) %>%
  arrange(nn_mean_m)

nn_summary

# A tibble: 9 × 4
  advertising2     n nn_mean_m nn_median_m
  <chr>        <int>     <dbl>       <dbl>
1 unknown        130      2.05       0.741
2 sign             8    108.        27.4  
3 board            7    128.        33.8  
4 billboard      107    141.        14.8  
5 poster_box       7    250.       122.   
6 other            3    269.         5.44 
7 column         121    424.       258.   
8 totem           16    596.         3.21 
9 yes              3    946.        35.3