Построение эпюр плоской рамы онлайн: Расчёт балки, рамы бесплатно онлайн

Содержание

Технология построения эпюр внутренних силовых факторов на плоских рамах

Что такое плоская рама?

Плоская рама – это стержневая конструкция, состоящая из вертикальных и горизонтальных элементов, связанных друг с другом под прямым углом жестко или шарнирно. Вертикальные элементы рамы называются стойками, горизонтальные – ригелями. Место соединения двух или более стержней называется узлами.

Например:

Консольная рама Двухопорная рама
Какие внутренние силовые факторы возникают в сечениях элементов рамы?

При нагружении элементов рамы внешними нагрузками в их поперечных сечениях могут возникнуть три внутренних силовых фактора: продольная сила N, поперечная сила Q и изгибающий момент M.

Например:

В данном случае в поперечном сечении стойки на расстоянии z от нижнего узла возникают продольная сила N, поперечная сила Qx и изгибающий момент Му.

Какие особенности построения эпюр N, Q и М на рамах существуют?

Эпюры указанных внутренних силовых факторов строятся точно также, как на балках и стержнях, с использованием имеющихся основных закономерностей для каждого из перечисленных внутренних силовых факторов.

Но есть и особенности, присущие именно этой конструкции.

· База для эпюр повторяет геометрическую конфигурацию рамы без опорных элементов и не привязывается к расчетной схеме. Размер базы может отличаться от размера расчетной схемы.

· При построении эпюры изгибающего момента М в местах перехода через узел с одного стержня на другой: величина момента, полученная в узловой точке на рассматриваемом участке данного стержня, передается в узловой точке на связанный с ним следующий стержень на волокна одноименного контура. При построении эпюры изгибающего момента на сжатых волокнах можно сказать, что передается момент в узле по направлению действия внешнего момента.

А нельзя ли попонятней ?

Для лучшего понимания попробуем проиллюстрировать сказанное на следующем примере. Консольная рама Г-образной формы, имеющая двухстержневой узел, нагружена сосредоточенной силой на свободном конце. Построение эпюры изгибающего момента начинаем со свободного конца горизонтального стержня. В начале участка внутренний момент равен 0, а затем начинает изменяться по наклонной прямой (т.к. участок пустой) и достигает значения Fℓ в конце участка в узловой точке. Эту величину откладываем вниз на сжатые волокна. При переходе ко второму вертикальному участку передаем величину момента Fℓ с нижних сжатых волокон горизонтального участка на правые сжатые волокна вертикального участка, что видно из деформационной картины и соответствует направлению действия внешнего момента от силы F.

А если на раме будет трехстержневой узел ? Попробуем рассмотреть и такой случай на примере Т-образной консольной рамы, имеющей трех­стержневой узел.

Построение эпюры изгибающего момента производим со свободного конца правого и левого ригелей к узлу. С левого ригеля момент в узловой точке создает сосредоточенная сила F с плечом ℓ величиной qℓ2, который откладываем в узле на нижние сжатые волокна. С правого ригеля момент в узловой точке создает распределенная нагрузка, равнодействующая которой равна 2qℓ, имеющая плечо относительно узла =ℓ. Таким образом, момент в узловой точке получим 2qℓ2, откладывая его также на нижние сжатые волокна.

Итак, в узловую точку привели два момента справа и слева. Чтобы выйти из узла и начать строить эпюру момента на стойке, необходимо алгебраически сложить эти моменты. Т.к. они направлены навстречу друг другу, вычтем из большего момента меньший момент и полученную величину отложим от базы стойки на правые сжатые волокна, т.е. со стороны большего момента.

Расчёт плоской рамы

Последний раз меня эта тема интересовала, когда я учился в университете. Прошло уже более 15 лет. С удивлением узнал, что сегодня существуют бесплатные средства для автоматизированного расчёта: просто рисуем раму, и тут же получаем реакции опор, перемещения, эпюры.

Первым в моё поле зрения попал этот сайт, позволяющий произвести расчёт рамы онлайн. Он не единственный в своём роде, но рекомендую именно его, т.к. он не ограничивается расчётом, например, только балки. Здесь рассчитать можно абсолютно любую плоскую раму! Основной функционал доступен бесплатно и без всяких регистраций — заходим на сайт и сразу считаем.

Очевидно, что все подобные сайты создавались с целью заработка. Вот и этот сайт лишь за деньги позволяет вывести эпюры Q, N, M, а также ход решения. Студентам без этого никуда, а в расчёте рамы для собственных нужд, в принципе, можно обойтись.

Впрочем, идем дальше. Куда более интересным и функциональным инструментом для автоматизированных расчётов является программа LinPro. Есть версии для Windows (LinPro v2.75) и Android. Это уже не просто способ побаловаться с рамой, а вполне себе возможность произвести статические и динамические расчёты плоских рам, максимально приближенные к инженерным. Программа абсолютно бесплатная, исходники открыты.

Мне понравилось, что можно создавать сечения разных конфигураций и назначать их к нужным участкам рам. Можно создавать разные группы нагрузок и смотреть раздельно, как ведёт себя рама. Свою задачу в этой программе я успешно решил, поэтому сильно копать возможности дальше не стал.

Что мне не понравилось в LinPro — это глюки, не столь существенные, может, но из-за них построение рамы немного осложняется. Интерфейс не совсем очевидный, русского языка нет.

Понять общий принцип работы с LinPro поможет видео:

Ещё одна бесплатная программа, решающая аналогичные задачи — это Framework. Честно говоря, её интерфейс меня вообще поверг в ступор, поэтому я не стал осваиваться. Русского языка тоже нет и какого-либо описания мне не попалось. Надо сказать, что существует мнение, что данная программа более предыдущей походит для инженерных расчётов. Вот здесь есть небольшое описание достоинств.

С плоскими рамами я для себя разобрался. Интересно, существуют ли бесплатные решения для более сложных расчетов деталей и конструкций? Ну, чтобы можно было не просто раму, а действующие нагрузки на некую деталь или группу деталей рассчитать. Если вы располагаете информацией, поделитесь пожалуйста в комментариях.

Сопромат - это легко ➦ Строймех

Благодарю

Stas Nikolskiy

Профессионал своего дела с большой буквы. Один из самых талантливых преподавателей, которых мне приходилось встречать, если не самый. Несмотря на непростую дисциплину, даже те кто не получал основ способен постичь эту науку, причем за очень короткое время. Огромная Вам благодарность, хорошо что Вы есть. С огромным к Вам уважением, Станислав.

Благодарность

Сергей Москаленко

Александр Заболотный простыми словами объясняет суть и методики расчета конструкций, значения формул расчета, приводит примеры схем, увлеченно разъясняет для меня новую, менее трудоемкую методику с применением линий влияния. Отличный преподаватель с богатым опытом.

Спасибо

Анна

Хочу сказать спасибо Александру за помощь в освоение нового предмета — строительная механика. Наткнулась в интернете на видеоканал и была приятно удивлена тем, что можно так легко и доступно объяснить темы этого, как считают многие, сложного предмета. Но после просмотра видео (и конечно опираясь на собственные знания теоретической механики и сопротивления материалов), новые еще для меня темы становятся понятными. Также понравилось то, что каждая тема показано схематично с примеры и формулами.. Спасибо просто Огромное!

Очень благодарна

Fazil Hüseynəliyev

Хотели с ребятами высокий флаг-шток установить, но не знали какие материалы нужны, чтобы он выдержал ветровые и другие нагрузки. Случайно нашли этот сайт, и обращалис с просбой помощи. Ответили так оперативно и с уважением, даже не верили своим глазам. Удачи Вам, ребята. Спасибо за помощ. Мира и благополучие вашей Родине. С большим уважением, друзья из Азербайджана.

Отлично

Кристина Жалейко

6 лет назад закончила строительный колледж. Работала в сфере строительства и параллельно училась на вечернем в универе, но не приходилось использовать знания по расчётам и т.д. в своей работе. В этом году возник внутренний вопрос- а зачем я всё-таки училась так долго, а знания не использую? Далее поняла, что есть пробелы по самой "больной" теме - расчёт статически неопределимых балок. За 5 занятий усвоила расчёт таких балок с помощью способа Верещагина, да ещё частично Маткад, чтобы считать матрицами. И получила ответы на все вопросы, которые возникли. А их много было. Рекомендую Александра, как отличного преподавателя.

Отлично

igor ton (Израиль)

Я занимаюсь краностроением, от чистого сердца хочу сказать большое спасибо Александру. Каждый Наш урок был посвящен конкретным проблемам по созданию сложных конструкций. Вы помогли мне разобраться в грамотном использовании сопромата для проектирования, Вы всегда можете дать верный совет. Желаю Вам долгих лет успешной деятельности и благополучия. Игорь. Тель Авив.

Расчет дважды статически неопределимой рамы методом сил

В данном примере решения задачи по сопромату, рассчитывается дважды статически неопределимая рама методом сил.

Ход расчета рамы методом сил:

1.Раскрытие статической неопределимости плоской рамы (рисунок 1)

Выбор основной системы (рисунок 2). Отбрасываем всю внешнюю нагрузку и «лишние связи»

Формирование эквивалентной системы (рисунок 3). Прикладываем внешнюю нагрузку к основной системе и реакции отброшенных связей X1, X2.

Построение грузовой эпюры (рисунок 5). Прикладываем к основной системе всю внешнюю нагрузку (рисунок 4) и строим эпюру изгибающих моментов от этой нагрузки, предварительно определив реакции связей.

Построение единичных эпюр (рисунок 6,7). Прикладываем к основной системе единичные усилия и строим эпюры моментов от этих усилий.

Записываем систему канонических уравнений метода сил для дважды статически неопределимой рамы.

Вычисляем коэффициенты канонических уравнений, методом Мора-Верещагина, перемножая соответствующие эпюры.

Подставляем коэффициенты в систему канонических уравнений, решаем ее и находим реакции отброшенных связей.

Строим окончательные эпюры: продольных сил (рисунок 9), поперечных сил (рисунок 10) и изгибающих моментов (рисунок 11) предварительно определив опорные реакции (рисунок 8).

Производим кинематическую (деформационную) проверку, перемножив окончательную эпюру на единичную эпюру по правилу Верещагина.

2. Проектировочный расчет рамы.

Наиболее опасным сечением является поперечное сечение А в месте жесткой заделки (Mmax=24,9 кНм)

Из условия прочности определяем допустимое значение момента сопротивления:

Выбор стандартного профиля.

Вычисление максимального напряжения с учетом продольной силы, построение эпюры нормальных напряжений.

 

РАСЧЕТ НА ПРОЧНОСТЬ ПРОСТРАНСТВЕННОЙ РАМЫ С ЛОМАНОЙ...

Привет, мой друг, тебе интересно узнать все про расчет на прочность пространственной рамы с ломаной осью, тогда с вдохновением прочти до конца. Для того чтобы лучше понимать что такое расчет на прочность пространственной рамы с ломаной осью , настоятельно рекомендую прочитать все из категории Сложное нагружение

 
В пространственной раме, в отличие от плоской, как стержни, составляющие раму, так и нагрузки не находятся в одной плоскости (рис 7.4 а, 6). При построении эпюр используется, как и в других случаях, метод усечений. При наличии заделки удобно обходить раму со свободного конца, в противном случае при общем нагружении надо определять в заделке шесть реакций - три силы и три момента.
Рис. 7.4
Особенности построения эпюр ВСФ для пространственных рам:
  1. Используется скользящая система.координат, при этом ось Z направлена всегда вдоль стержней Оси х, у, z связаны между собой жестко и при повороте оси Z поворачиваются вместе с ней (рис . Об этом говорит сайт https://intellect.icu . 7.4 в, г).
  2. Суммы проекций внешних сил, действующих на оставленную часть рамы, на продольные оси стержней, равны продольным силам Ni, на поперечные оси - поперечным сипам Qi.
  3. Правило знаков для продольной силы N прежнее, знак поперечной силы Q не определяется. Знак изгибающего момента также не определяем, эпюра строится на сжатом волокне.
  4. Эпюры Ni строятся в любой плоскости с любой стороны стержней. Эпюры Q удобно строить в плоскости действия силы, которая вызывает поперечную силу Q.
  5. На взаимно перпендикулярных стержнях, лежащих в одной плоскости, при наличии нагрузки, перпендикулярной плоскости расположения стержней, изгибающие моменты переходят в крутящие и наоборот.
  6. Внешние силы нагружают все стержни, которые соединяют точку приложения силы с заделкой.
  7. При построении эпюр в пространственных рамах удобно рассматривать каждый стержень в отдельности, т.е.:
    • а) закреплять стержни (ставить заделку) в точках соединения с соседними стержнями;
    • б) нагружать стержни в начале всеми теми усилиями, которые приходят с соседних стержней;
    • в) строить на этом стержне эпюры от каждого силового фактора (рис. 7.4, а, б, в, г), пришедшего к началу участка, в отдельности;
    • г) направление изгибающих моментов определять по эпюрам Мизг, помня, что они ппстпоены ня сжатом волокне.

Пожалуйста, пиши комментарии, если ты обнаружил что-то неправильное или если ты желаешь поделиться дополнительной информацией про расчет на прочность пространственной рамы с ломаной осью Надеюсь, что теперь ты понял что такое расчет на прочность пространственной рамы с ломаной осью и для чего все это нужно, а если не понял, или есть замечания, то нестесняся пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Сложное нагружение

Онлайн-помощь Помощь на 📝 экзамене по Механике материалов и конструкций

1. Сколько стоит помощь?

Цена, как известно, зависит от объёма, сложности и срочности. Особенностью «Всё сдал!» является то, что все заказчики работают со экспертами напрямую (без посредников). Поэтому цены в 2-3 раза ниже.

2. Каковы сроки?

Специалистам под силу выполнить как срочный заказ, так и сложный, требующий существенных временных затрат. Для каждой работы определяются оптимальные сроки. Например, помощь с курсовой работой – 5-7 дней. Сообщите нам ваши сроки, и мы выполним работу не позднее указанной даты. P.S.: наши эксперты всегда стараются выполнить работу раньше срока.

3. Выполняете ли вы срочные заказы?

Да, у нас большой опыт выполнения срочных заказов.

4. Если потребуется доработка или дополнительная консультация, это бесплатно?

Да, доработки и консультации в рамках заказа бесплатны, и выполняются в максимально короткие сроки.

5. Я разместил заказ. Могу ли я не платить, если меня не устроит стоимость?

Да, конечно - оценка стоимости бесплатна и ни к чему вас не обязывает.

6. Каким способом можно произвести оплату?

Работу можно оплатить множеством способом: картой Visa / MasterCard, с баланса мобильного, в терминале, в салонах Евросеть / Связной, через Сбербанк и т.д.

7. Предоставляете ли вы гарантии на услуги?

На все виды услуг мы даем гарантию. Если эксперт не справится — мы вернём 100% суммы.

8. Какой у вас режим работы?

Мы принимаем заявки 7 дней в неделю, 24 часа в сутки.

Как создавать плоские рамки DSLR и CCD для астрофотографии • PhotographingSpace.com

Поднимите свои астрофотографии на новый уровень качества и точности с плоскими рамками - простой способ.

Съемка квартиры кажется сложной, но как только вы разберетесь с ней, это легко и легко воспроизводимо, если вы педантичны в деталях. Многие люди верят, что небоскребы подходят, но если ваша цель достаточно мала или ваш экран / световая панель достаточно велики, это проще и лучше контролировать!

Когда я начал заниматься астрофотографией, я был, как и большинство людей, и снимал только светлые кадры, я не хотел тратить время на съемку темных, смещенных и плоских участков.Теперь без них я не буду обрабатывать астрономические данные. Я считаю, что это бесполезный сеанс визуализации, если я не могу снимать темные и плоские изображения, чтобы они соответствовали друг другу (смещение легко и может быть снято в любое время - подробнее о кадрах смещения в другом посте). Вот почему в интересах экономии времени я считаю мастерскую темную библиотеку одной из самых важных вещей, которые вы можете держать под рукой (но это также для другого сообщения в блоге).

Хотя лучше всего снимать плоские объекты сразу после завершения сеанса визуализации, вы можете выиграть немного времени, если сможете снять прицел с крепления, не отсоединяя камеру и не перемещая фокус.Я тоже делал успешные квартиры таким образом в полевых условиях.

Примечание. Этот метод работает как с телескопами, так и с объективами фотоаппаратов, зеркальными фотокамерами, ПЗС-матрицами и однократным цветным, а также монохромным.

Зачем нужны плоские рамы

Вам необходимо сделать плоские рамки для изображений DSO! Вот несколько причин, которые могут помочь вам понять, почему плоские рамки могут повысить качество ваших конечных изображений, не говоря уже о том, что без них вы не сможете получить полностью точное представление о своей цели.

Плоские рамки исправить виньетирование

«Ремонт» виньетирования, на мой взгляд, лучший повод использовать плоские рамки. Таня снимала NGC 6723 с помощью полнокадровой цифровой зеркальной фотокамеры на нашем 8-дюймовом астрографическом телескопе Ньютона, и из-за большого размера сенсора практически на любом телескопе виньетирование было БЕЗУМНЫМ. Обратите внимание на эти снимки до и после:

Отсутствие плоских рамок (слева) и плоских рамок, применяемых к стеку изображений (справа).
Плоские рамки исправляют недостатки яркости

Кажется, нет идеальной цели.Всегда есть что-то, что мешает и вызывает дефекты и изменения уровней яркости изображения в плоскости изображения. Поскольку плоские поверхности сделаны с использованием настолько чистого источника света, насколько это возможно, предполагается, что все, что отображается как темное пятно на полученном изображении, является дефектом в цепочке изображений. Это может быть пылинка, царапина на линзе или зеркале, жук, НЛО и т. Д.

Это просто: если вы хотите поднять окончательное качество изображения на более высокий уровень, вы ДОЛЖНЫ использовать все типы калибровочных рамок, и плоские поверхности являются одними из самых важных.Просто сделай это!

Что вам понадобится
  • Чистая белая футболка или белая ткань с едва заметным рисунком плетения или без него. Он должен быть достаточно большим, чтобы поместиться над объективным концом прицела в растянутом состоянии.
  • Большая резинка или резинка.
  • Хороший ЖК-экран ноутбука с полноэкранным белым изображением или равномерно освещенной и рассеянной панелью белого света, которая немного больше, чем торец объектива прицела или объектива.Я использую 15-дюймовый MacBook Pro Retina, но он вам не нужен. Любая ЖК-панель или панель с белым светом будут работать, пока они освещены равномерно.
Важно помнить!
  • По возможности не снимайте камеру с телескопа. Если нужно, отметьте это скотчем. Он должен быть в той же ориентации, что и световые изображения.
  • Не меняйте положение фокусировки. Заблокируйте его, когда закончите снимать светлые кадры (или, что еще лучше, раньше).
  • Очень важно, чтобы в поезде визуализации все было точно так, как было, когда вы снимали свои световые кадры. Фильтры, кожухи, корректоры, пыль и т. Д. Должны быть на своих местах, их нельзя трогать и не чистить.
  • Не поленитесь узнать подробности.

Как это сделать

Настройки камеры

Для DSLR
- Установите камеру в РУЧНОЙ режим, как если бы вы использовали световые рамки.
- Установите ISO на 400 или ниже.
- Старт с выдержкой 0,5-2,5 секунды.

Для CCD
- Вам нужно будет поэкспериментировать с продолжительностью экспозиции, мне потребовалась длина экспозиции 13 секунд с фильтром 5 нм Ha.
- Обязательно снимайте отдельные наборы плоскостей с каждым используемым фильтром, дефекты могут быть разными!

Для камеры Объективы
- Убедитесь, что диафрагма и фокус объектива точно такие же, как при съемке легких кадров.

Процедура
  • Снимите крышку объектива / зрительную трубу, плотно натяните 2 слоя ткани / рубашки на основной объектив и закрепите резинкой. Убедитесь, что на открытом конце нет складок или складок.
  • Для ЖК-дисплея: создайте чисто белое изображение для отображения в полноэкранном режиме. Я использую новый документ с белым фоном в Photoshop и делаю его полноэкранным. Для начала установите яркость подсветки примерно на половину.
  • Поднесите ЖК-экран или панель белого света к объективу.Если вы не можете удерживать его прямо напротив объектива без зазоров (как показано ниже), накройте прицел и экран темной тканью, блокирующей свет, и / или произведите съемку в темной комнате, чтобы единственный свет, попадающий в объектив прицела, был с экрана источника света.
Плотно прижмите источник света к объективу телескопа или объектива.

** Важно! ** Убедитесь, что цель ПОЛНОСТЬЮ закрыта панелью источника света. Утечки света из других источников могут испортить квартиры.

  • Выберите длину экспозиции посередине предложенного диапазона, в зависимости от типа вашей камеры (сверху: 0,5–2,5 секунды для DSLR, CCD зависит от фильтра) и сделайте пробную экспозицию.
  • Теперь вам нужно проанализировать экспозицию, чтобы убедиться, что средняя яркость правильная (~ 51% или около того). Если вы в пределах +/- 5%, у вас все в порядке [по моему мнению, прямо сейчас]. Если вы снимаете на цифровую зеркальную камеру или на ПЗС-матрицу, это просто, потому что вам не нужно извлекать карту памяти камеры для доступа к каждой тестовой экспозиции.

Подробнее о том, как я измеряю медианную яркость для тестовых экспозиций, читайте ниже.

  • Если средняя яркость экспозиции не находится в пределах +/- 5% или около того от примерно 51%, сначала отрегулируйте яркость источника света, чтобы попытаться сделать это правильно. После того, как вы исчерпали возможности яркости, только после этого следует настраивать длину экспозиции. Повторите и поэкспериментируйте с яркостью источника света и длиной экспозиции, пока не получите среднюю яркость, максимально приближенную к ~ 51%.
  • Когда вы найдете золотую середину для своего оптического поезда и камеры, снимайте их много. Обычно я делаю не менее 30 кадров.
  • Готово! Теперь вы можете откалибровать свои светлые кадры с помощью этих плоских поверхностей (а также темных оттенков и смещения, верно !?), чтобы получить максимальную детализацию и качество ваших астроизображений.
Измерение средней яркости Статистика изображения PixInsight

** Важно ** Не позволяйте внешнему виду плоской рамки влиять на ваше мнение.Идите по цифрам!

Для DSLR я использую функцию Image Statistics в PixInsight (показано слева).

Для ПЗС я в настоящее время использую статистическую информацию об изображениях по каждой экспозиции, доступную в Sequence Generator Pro.

Какой бы пакет программного обеспечения для обработки или получения изображений вы ни использовали, посмотрите на статистические значения среднего и максимума для тестовой экспозиции. Вы хотите, чтобы среднее значение было лишь чуть больше половины максимального значения , то есть около 51%.При этом мне также повезло с погрешностью +/- 5%.

Вы хотите, чтобы максимальная яркость была на уровне «полной емкости» или близкой к нему, т.е. настолько яркой, насколько могут быть пиксели. Итак, увеличивайте яркость до тех пор, пока она не перестанет расти, и немного увеличьте яркость, пока она не станет чуть ниже максимум , чтобы не передержать кадры.

Другие приложения для измерения средней яркости

Большинство, если не все, основные приложения для получения или обработки изображений должны быть в состоянии предоставить вам статистику изображений / пикселей.

Если вы хотите измерить это бесплатно, один из способов - загрузить бесплатную пробную версию Nebulosity. Среднее и максимальное значение для просматриваемого в данный момент изображения указано в разделе «Статистика пикселей» (слева). Среднее не то же самое, что и медиана, но обычно достаточно близко.

Статистика пикселей в Nebulosity

Еще одно бесплатное приложение, которое показывает правильные измерения изображения и поддерживает файлы FITS, называется AstroImageJ, и его можно скачать здесь.

Пиксельные измерения в AstroImagJ

Связанные

Понравилось, что этой статьи хватит, чтобы дать автору выпить? (небольшое пожертвование от 1 до 20 долларов)

Как построить плоскую панель для формирования изображений

Чтобы получить максимальную отдачу от данных изображения глубокого космоса, необходимо откалибровать субкадры перед их объединением и обработкой в ​​окончательное изображение.

Существует три типа калибровки, которые могут применяться к вашим изображениям: кадры смещения для удаления шума сигнала, вызванного загрузкой данных, темные кадры для удаления теплового шума, возникающего при нагревании сенсора, и плоские кадры для устранения эффектов виньетирование и пылинки.

В то время как смещение и темные кадры легко захватить в любое время, плоские кадры требуют тщательного планирования и выполнения, поэтому часто забывают при захвате новых изображений.

Плоская рамка - это специальное изображение, снятое таким образом, что захватывается только факсимиле простого светового конуса, проходящего через зрительную трубу к датчику камеры.

Типичный способ сделать это - накрыть переднюю часть телескопа белой тканью и сделать серию изображений, когда телескоп направлен на дневное небо.

Однако жизненно важно, чтобы ориентация камеры и положение фокуса сохранялись между захватом небесных изображений и плоскостями, и в этом заключается проблема - вы не должны мешать формированию изображений, пока не будут сняты плоскости!

Однако есть довольно простое решение: вы можете использовать электролюминесцентную панель, чтобы обеспечить равномерно распределенный источник света для создания освещения и захвата ваших квартир во время сеанса визуализации.

Электролюминесцентные панели состоят из трех компонентов - самой панели (тонкий ламинированный пластиковый лист), инвертора 12 В, вырабатывающего переменный ток в диапазоне 120 В, и источника питания 12 В.

Панели доступны в размерах от A6 до A1; выберите тот, который немного больше, чем апертура вашего телескопа, чтобы обеспечить полное покрытие.

Защита панели

Поскольку электролюминесцентные панели имеют тенденцию быть немного хрупкими, их следует прикреплять к опорной плите.

Идеальным материалом для этого является гофрированный пластиковый лист толщиной 4 мм, который часто используется для вывесок, поскольку этот материал очень легкий, гладко обработанный, влагостойкий и удивительно прочный.

Наклеив малярную ленту на прямоугольную форму электролюминесцентной панели (позволяя 40 мм по длине панели удобно поддерживать их заведомо хрупкие электрические соединения), вы можете вырезать очень аккуратную подложку по размеру.

Панель может быть прикреплена к этой подложке с помощью двустороннего скотча.

Поскольку электрические соединения с этими панелями очень хрупкие, также стоит сделать петлю в кабеле рядом с тем местом, где он входит в панель, и закрепить ее на опорной панели с помощью электротехнической ленты, чтобы действовать как аварийное снятие напряжения.

Инверторный модуль может быть прикреплен к задней части несущей панели с помощью двусторонней липкой ленты, чтобы действовать как «ручка» и гарантировать отсутствие физического натяжения соединительного кабеля.

Для получения хороших плоских кадров важно правильно подобрать экспозицию.

Обычно это означает достижение от 30 до 50 процентов полной емкости скважины (уровня насыщения) сенсорных элементов.

В цифровой зеркальной фотокамере этого легко добиться, установив для нее режим приоритета диафрагмы (Av) и позволив автоматически выбирать время экспозиции.

Пользователи

Astronomical CCD могут использовать свое программное обеспечение для захвата, чтобы определить значение ADU (аналогово-цифровая единица), которое является мерой отдельных значений пикселей в изображении CCD и должно находиться в диапазоне от 20 000 до 30 000 единиц.

Вам нужно будет захватить около 20 субкадров, которые затем необходимо сложить в стопку для получения основного плоского кадра с использованием метода медианного объединения.

Затем их следует разделить на каждый кадр изображения, чтобы применить калибровку.

Многие программы стекирования, в том числе бесплатная DeepSkyStacker, сделают эту калибровку за вас.

Вы будете поражены улучшением своих изображений.

Стив Ричардс - увлеченный специалист по астрономии и астрономическому оборудованию


Этот How to впервые появился в августовском выпуске журнала BBC Sky at Night Magazine за 2015 год.

Как брать плоские рамки для астрофотографии [легкий способ]

Как снимать плоские рамки для астрофотографии

Научиться снимать плоские кадры - важный шаг для любого энтузиаста астрофотографии дальнего космоса. Когда вы знаете, на что обращать внимание, снимать успешные «квартиры» станет легко как с цифровой зеркальной камерой, так и с камерой CCD. Я часто задаю этот вопрос новичкам, которые только начинают заниматься астрофотографией глубокого космоса.

Раньше я был виноват в пропуске калибровочных рамок, таких как плоскости и рамки смещения. Теперь я знаю, что плоские кадры так же важны, как и темные кадры. Неравномерное освещение поля и виньетирование на моих снимках глубокого неба было настоящей болью, чтобы исправить это при постобработке.

Как и многие другие аспекты астрофотографии глубокого космоса, ваш метод получения плоских кадров будет зависеть от используемого вами оборудования. Метод, который я описал для съемки квартиры на этой странице, наиболее полезен для тех, кто снимает с помощью цифровой зеркальной камеры, такой как Canon EOS Rebel T3i, которой я сейчас владею.

Эта техника ласково известна в сообществе астрофотографов DSLR как «метод белой футболки».

Как снимать плоские рамки для астрофотографии

Этот видеоурок поможет вам визуализировать процесс получения плоских кадров. Я использую так называемый «метод белой футболки», описанный создателем DeepSkyStacker в разделе часто задаваемых вопросов. Телескоп использует футболку как фильтр, когда направлен на яркий источник света, такой как рассветное небо.

Идея в том, чтобы равномерно осветить поле. Раннее утреннее небо достаточно яркое, чтобы создать удачный плоский кадр, если вы рассеиваете свет с помощью белой футболки или аналогичного полупрозрачного материала.

В этом видео использовался телескоп Explore Scientific ED102. Небольшая диафрагма этого апохроматического рефрактора упрощает съемку плоских кадров, так как площадь покрытия меньше. Объективы больших телескопов, такие как ньютоновский рефлектор, могут найти более эффективное решение для искусственного освещения.

Плоские рамки - это 1 из 3 важных вспомогательных (калибровочных) файлов, которые астрофотографы-любители используют для калибровки изображений. Каждый из них часто необходим для получения наилучшего изображения из ваших необработанных данных. На изображении ниже представлены кадры, сделанные с помощью цифровой зеркальной камеры с телескопом William Optics Zenithstar 61 в туманности Сердце.

3 файла калибровки, используемые для создания удачного изображения глубокого неба из ваших исходных световых кадров (изображений).

Если немного попрактиковаться и поэкспериментировать, съемка квартир станет неотъемлемой частью вашего рабочего процесса съемки астрофотографических изображений.Получение правильных калибровочных кадров имеет огромное значение, когда вы будете готовы обработать окончательное изображение.

Плоские рамки откалибруют резкие градиенты в вашем файле изображения, а волшебным образом удалит все пятна пыли , которые были на датчике вашей камеры. Исправление этих неприятных характеристик и артефактов постфактум не доставляет удовольствия.

На изображении туманности Ориона ниже вы видите все неприятные пятна пыли на сенсоре моей камеры. Эти артефакты обычно появляются на моих изображениях, в которых не используются плоские рамки, чтобы вычесть их из окончательной интеграции с накоплением.

Плоские рамки могут удалить пятна пыли с вашего изображения, как показано выше.

Как только вы найдете метод, который хорошо подходит для вашей камеры и места съемки, вы сможете использовать его во всех будущих проектах.

Основы плоских рам

  • Снимайте с таким же ISO / усилением, что и у ваших легких кадров

  • Не снимайте камеру с прицелом / объективом

  • Сохраняйте тот же фокус, что и световые оправы

  • Снимите минимум 15-20 плоских рам

  • Температура не важна (это с охлаждаемой ПЗС-матрицей)

Плоские рамки загружаются в DeepSkyStacker для калибровки окончательного изображения.DSS создает master flat из набора плоских рамок и исправляет неровности поля вашего окончательного изображения. Без добавления плоских изображений на сложенном изображении может появиться заметное виньетирование и много пятен пыли на изображении.

Метод белой футболки

Я предпочитаю снимать квартиры с помощью метода «белой футболки». Натянув простую белую футболку на объектив телескопа, вы создадите ровное плоское поле при наведении на яркий источник света.

Натяните простую белую футболку на объектив телескопа, чтобы рассеять яркое небо.

Интенсивность и постоянство источника света имеют большое влияние на качество ваших плоских рам. Например, направленный на телескоп узкий луч света от фонарика не обеспечит равномерного освещения, необходимого для плоской рамы.

Лучше всего направить телескоп на раннее утреннее голубое небо . Он гораздо более равномерно освещен с правильным уровнем яркости. Сложность в том, что вам придется оставлять оборудование для съемки на всю ночь до утра.Я понимаю, что во многих ситуациях это просто невозможно.

Настройки камеры

К счастью для любителей астрофотографии DSLR, в камере есть режим, который идеально подходит для съемки плоских участков. Этот режим называется « AV » или режим приоритета диафрагмы. Это означает, что камера выберет правильную выдержку, чтобы правильно экспонировать изображение.

При правильном уровне яркости и равномерном освещении фильтра (например, на футболке) режим AV снимает отличный плоский кадр одним нажатием кнопки.В зависимости от конфигурации вашей камеры и телескопа вы должны увидеть небольшое виньетирование и даже частицы пыли в плоской рамке.

В случае сомнений взгляните на гистограмму . Плоская рама, представленная ниже, имеет характеристики, которые вы ищете. Гистограмма показывает, что изображение хорошо экспонировано, и частицы пыли от сенсора камеры видны.

Пример хорошо экспонированного плоского кадра с помощью цифровой зеркальной камеры.

Время экспонирования плоской рамки

Не существует установленного времени экспозиции для плоского кадра, хотя, если вы используете DSLR, вы можете получить некоторые знакомые результаты при использовании метода белой футболки.Например, при съемке с плоским экраном при ISO 800 пик данных попадает в правую часть гистограммы при молниеносной выдержке 1/4000.

Если данные вырезают правую часть гистограммы, это явный признак того, что ваш источник света слишком яркий. Решение здесь состоит в том, чтобы уменьшить яркость источника света на , добавив еще один слой футболки или указать что-нибудь менее интенсивное. (Пример этого ниже)

Вот отличный пример того, как хорошо экспонированная плоская рамка может полностью удалить частицы пыли с вашего изображения из блога Al’s Astrophotography.

Сколько плоских рам мне нужно взять?

Это зависит от того, кого вы спрашиваете. Лично я обнаружил, что 20 плоских кадров достаточно для создания полезного основного плоского файла для DeepSkyStacker для калибровки вашего изображения. Поскольку их захват происходит очень быстро, нет ничего плохого в том, чтобы собрать 20 или более кадров для каждого сеанса.

Я также слышал, что вращение футболки между каждой плоскостью может помочь создать еще лучший мастер-файл. Равномерно усредняя любой из тонких узоров, обнаруженных на ткани футболки, вы покрываете все свои основы.Мне никогда не приходилось так долго идти, но это стоит отметить.

Снятие квартиры ночью

В таких ситуациях вам понадобится надежный источник искусственного освещения, равномерно покрывающий весь объектив телескопа. По-прежнему будет использоваться белая футболка, чтобы еще больше уменьшить яркость вашего источника света. При необходимости вы можете надеть футболку вдвое.

Я обнаружил, что панель плоского поля Artesky работает исключительно хорошо при съемке плоских кадров моей специальной астрономической камерой.Лучшее в использовании панели с плоским полем - это то, что вы можете снова и снова получать стабильные воспроизводимые результаты.

Это потому, что вы полностью контролируете яркость панели. Показанная выше модель включает в себя встроенный вольтметр, который отображает точную настройку, используемую для равномерного освещения поля, чтобы вы могли вспомнить ее в следующий раз.

Как видно на фотографии ниже, направление телескопа прямо вверх поможет вам сбалансировать лайтбокс и удерживать его ровно напротив объектива.

Использование лайтбокса трассировки для съемки плоских кадров ночью. (Эрик Кавл).

Важно, чтобы источник света лежал полностью ровно напротив объектива телескопа. Вот несколько примеров источников искусственного света, которые можно использовать для съемки плоских кадров:

  • Экран ноутбука (весь белый, затемненный)
  • Экран планшета (весь белый, затемненный)
  • Специальный плоский бокс для астрофотографии
  • Контейнер Artists (с регулируемой яркостью)

Прослеживающий лайтбокс используется астрофотографом-любителем Эриком Коблом при съемке глубокого космоса с помощью 8-дюймового ньютоновского рефлектора.Спасибо за совет, Эрик!

Плоские рамки с объективом фотоаппарата?

Если вы пытаетесь снимать плоские кадры с помощью объектива камеры , а не телескопа, вам может быть трудно использовать метод белой футболки. В основном это связано с тем, что кольцо фокусировки можно легко сбить с места при намотке футболки вокруг объектива.

Я обнаружил, что, используя пергаментную бумагу, белый лист бумаги или любую другую тонкую полупрозрачную пленку, вы можете делать успешные плоские снимки с помощью вашей зеркальной фотокамеры и объектива камеры.Поскольку вы не сможете «обернуть» материал по краям линзы, чтобы полностью закрыть его, используйте гравитацию в своих интересах.

Направьте объектив камеры прямо вверх, под углом 90 градусов, и убедитесь, что материал, который вы используете, достаточно тяжелый, чтобы лежать на объективе камеры. Возможно, вам понадобится изготовить самодельную плоскую панель для объектива камеры, у которой будут дополнительные веса по краям.

Получение плоских кадров камерой CCD

Если вы используете ПЗС-матрицу или специальную астрономическую камеру, такую ​​как ZWO ASI294MC Pro, у вас не будет удобства режима приоритета диафрагмы (AV) на диске камеры.В таких ситуациях программное обеспечение управления камерой должно обрабатывать плоские кадры.

Я предпочитаю использовать Astro Photography Tool для этого процесса, который включает удобную функцию под названием CCD Flats Aid. Эта функция позволит вам сделать серию экспозиций, используя различные длины экспозиций. Необходимо установить целевой ADU, а затем просто достичь желаемого ADU для ваших плоских рам.

Какова идеальная стоимость ADU для вашей камеры? Чтобы это выяснить, может потребоваться время и эксперименты.Процесс будет зависеть от типа камеры, которую вы используете, и программного обеспечения, которое вы используете для выполнения задачи. Вот интересное обсуждение этой темы в Cloudy Nights от группы астрофотографов-любителей, которые более технологически подкованы, чем я.

Использование CCD Flats Aid в инструменте астрофотографии.

Как и в случае с зеркальной камерой, гистограмма расскажет историю. Когда вы обнаружите подходящую длину экспозиции, вы можете установить целевое значение ADU.Затем вы можете сохранить этот результат для следующего сеанса визуализации, выбрав « flats help result » в диалоговом окне последовательности визуализации.

Для справки: значение ADU для белого составляет 65000, а для черного - 0. В идеале вы захотите записывать плоские кадры с помощью ADU с примерно 25000 . Это не высечено в камне, но это отличная отправная точка для работы.

Установите минимальную и максимальную экспозицию от 0,5 до 30 секунд. Инструмент CCD Flats Aid будет изменять экспозицию между этими двумя значениями, пока не найдет то, которое дает изображение с ADU около 25000.Если вы не можете достичь желаемого ADU, вы можете увеличить или уменьшить интенсивность источника света по мере необходимости (добавляя, удаляя футболки!).

После того, как вы определили время экспозиции, которое приносит вам 25000 ADU, вы можете использовать эти настройки для запуска вашего плана плоских кадров в APT.

Пример плохих плоских рам

В вашей стековой интеграции есть несколько вещей, которые укажут, были ли ваши плоские фреймы успешными или нет. На следующем изображении мои плоские кадры были сделаны около 10:30, когда солнце было очень ярким.

Я использовал свой стандартный метод белой футболки, чтобы делать снимки в режиме Av на моей зеркальной камере. Первым признаком проблемы было то, что выдержки составляли 1/4000 секунды. Это указывает на то, что поле было очень ярким, и камера выбрала максимально возможную быструю экспозицию, а не такую, которая экспонировала бы поле равномерно.

Когда я сложил плоские поверхности в свое изображение в DeepSkyStacker, посмотрите, что он сделал с окончательной интеграцией:

Поскольку мои плоские рамки не освещали поле равномерно, основной плоский файл создавал удаленный сигнал на моем изображении.

К счастью, моя камера и телескоп не двигались, когда я обнаружил изображение, поэтому я быстро вернулся на улицу, чтобы сделать новые плоские кадры. На этот раз я сложил белую футболку вдвое, чтобы сделать изображение еще более тусклым. Кроме того, я направил телескоп на более равномерно освещенную область голубого дневного неба. Это позволило создать плоскую экспозицию кадра 1/2500 , что означало, что теперь камера могла правильно экспонировать поле при ISO 1600.

Новые плоские рамки были правильно экспонированы и равномерно освещали поле.Задача решена.

Что делать, если я не снимал квартиры?

Если уже слишком поздно снимать плоские плоскости, подходящие к вашим легким оправам, вы еще не полностью разорены. Есть способы обойтись без плоских рамок, например, с помощью техники удаления градиента, которая включает создание синтетической плоской рамки в Photoshop.

Это сработает в пробке и действительно поможет исправить резкие градиенты и виньетирование. К сожалению, удаление пыли и пятен менее эффективно.

Сделайте себе одолжение и сделайте правильные калибровочные рамки частью каждого сеанса визуализации.

Это проблема моих плоских рам - Начало работы с Imaging

Привет, Билли.

Пара вещей, на которые стоит обратить внимание / уточнить ...

Неравномерное виньетирование может быть связано с плохой коллимацией или использованным методом коллимации, который приводит либо к центрированию, либо к смещению от центра вторичного элемента.Любой метод приведет к хорошей кажущейся коллимации, но центрированный метод дает неравномерное виньетированное поле, а смещенный метод дает ровное виньетированное поле. Другие возможные причины неравномерного виньетированного поля включают наклон оптического пути из-за слабого соединения между камерой и выравнивателем, плохое соединение между выравнивателем и фокусером или совмещение вытяжной трубки фокусера с корпусом фокусера и т. Д.

Я обнаружил, что буклет Вика Менардса «Новые перспективы ньютоновской коллимации», доступный на FLO, очень помогает при попытке понять теорию, лежащую в основе ньютоновской коллимации, и настроить быстрый (f3.8) Ньют ', хотя я никогда не достигал того лучшего, что мог дать телескоп, пока не начал использовать окуляр автоколлиматора, как описано в следующих главах буклета.

https://www.firstlightoptics.com/books/new-perspectives-on-newtonian-collimation-vic-menard.html

При использовании светодиодной панели для квартир, размещенной непосредственно на передней части OTA, существует риск загрязнения панелей из-за непрямого освещения входного отверстия фокусера и вытяжной трубки фокусера, как показано ниже.Световой путь от источника квартир до камеры при съемке квартир должен быть идентичен световому пути, взятому для источников света, любые различия проявятся, когда квартиры используются для калибровки источников света, причем эффекты будут более или менее выраженными в зависимости от диаметр OTA, расстояние от фокусера до конца OTA, диаметр порта фокусера, диаметр вытяжной трубки фокусера, тип и качество матово-черной краски или флокирования вокруг входного отверстия фокусера и т. д.

Входное отверстие фокусера и вытяжная трубка должны быть абсолютно черными и неотражающими, если вы не хотите этого.Входное отверстие фокусера и вытяжная труба могут быть покрыты флокирующей бумагой или окрашены матовой черной краской на основе пигмента, такой как матовая черная высокотемпературная краска для барбекю от B&Q:

https://www.diy.com/departments/rust-oleum-stove-bbq-black-matt-matt-stove-bbq-spray-paint-400-ml/128291_BQ.prd

Если вы используете аэрозольную краску по ссылке, распылите часть содержимого в стеклянную банку подальше от телескопа и нанесите кистью на входное отверстие фокусера, не используйте аэрозольную краску непосредственно из баллончика на телескопе из-за очевидная опасность для оптики и подшипников / опорных поверхностей механизма фокусировки.

Или просто примите меры, чтобы переместить светодиодную панель подальше от передней части OTA. Обернутый матовый черный экран от росы, который используют владельцы SCT, может быть установлен на передней части OTA, а светодиодная панель размещена на его конце, или картонная упаковочная трубка, покрытая ворсом или окрашенная внутри банкой с краской для черной доски. можно использовать, направив телескоп на один конец трубы, а светодиодную панель - на другой. Очевидно, что эти методы труднее применить к тритону с его длинным OTA, и я все еще думаю, что небесные квартиры, снятые либо до начала сеанса, в сумерках, примерно через полчаса-час после того, как солнце опустится за горизонт, либо перед ним. Квартиры на рассвете, взятые за час-полчаса до восхода солнца, дадут лучшие квартиры.Использование защиты от росы на передней панели OTA поможет защититься от случайного попадания света в порт фокусера даже при съемке квартир с небом и важно при борьбе с близлежащими источниками светового загрязнения, такими как уличные и домашние фонари, и т. Д., Которые могут светить под углом. во входной порт фокусера в зависимости от ориентации OTA.

Плоскости должны быть сфокусированы на том же фокусе, что и источники света, поэтому отметьте положение вытяжной трубки фокусировщика относительно корпуса фокусера фломастером или каплей жидкости Tippex в следующий раз, когда камера будет действительно сфокусирована на звезде, а затем убедитесь, что фокусер установлен. установите ту же отметку, если снимаете квартиры в другое время.

Я вижу, что вы используете Astroart для калибровки, и, пользуясь им сам в течение нескольких лет, я знаю, что эта программа может дать отличные результаты калибровки. Тем не менее, для него нужны рамки BIAS, и он не будет производить правильно откалиброванную плоскость, если вы не взяли и не использовали их. Отсутствие кадров BIAS действительно приводит к чрезмерной коррекции при применении плоскостей, поскольку кадры BIAS содержат значение смещения подставки камеры, которое не может быть определено только по освещению, затемнению и плоскостям.

Если вы пропустили кадры со сдвигом, вы можете взять их в любое время, пока кадры со смещением снимаются в кромешной темноте и, в идеале, при той же температуре, что и освещение, хотя с новыми камерами CMOS, которые кажутся менее важными, чем когда-то с их очень низким темное течение. Если вы изначально не использовали кадры BIAS, попробуйте взять их сейчас и вернуться к исходным данным и выполнить повторную калибровку с использованием новых кадров BIAS.

Эти малошумящие КМОП-камеры можно заменить мастер-смещением на мастер-ТЕМНЫЙ, если вы используете сглаживание монтирования в сочетании с плохой пиксельной картой и методом комбинации сигма-отклонения при объединении LIGHTS.Если вы не можете использовать дизеринг монтировки, придерживайтесь подходящего времени экспозиции СВЕТЛЫЙ и ТЕМНЫЙ и как можно более короткое время экспозиции для СКОБА. Для большинства коммерческих и бесплатных программ калибровки изображений нельзя пропустить рамки BIAS, если калибровка должна применяться правильно, для нового поколения CMOS-камер ТЕМНЫЕ могут быть необязательными.

Если вы посмотрите на эту недавнюю ветку, она показывает результаты пропуска кадров BIAS во время калибровки изображения:

HTH

Уильям.

Отредактировано , автор: Oddsocks
Орфография

Захват и использование плоских кадров

Плоские рамки используются для исправления изображений на нежелательные изменения яркости по всему кадру. Эта яркость отклонения могут быть вызваны оптической конфигурацией объектива или телескоп означает, что меньше света достигает краев и углов кадра, делая их темнее (так называемое виньетирование), или наличие пятен пыли или грязи на сенсоре, стекле сенсора или фильтры.Пятнышки пыли вызывают появление темных пятен на изображении, которые могут быть простые пятна (как показано на изображении ниже) или небольшой темный пончик формы при использовании телескопов с центральным препятствием.

Необходимо исправить пыльные пятна и виньетирование перед наложением изображений друг на друга, поскольку кадры выравниваются по-разному. при штабелировании непонятным образом разложит их, их невозможно полностью исправить после укладки.

Для устранения этих дефектов на изображении фиксируется плоский кадр - это изображение идеально равномерно освещенная поверхность, а это значит, что единственная вариации яркости плоской рамки обусловлены эффектами виньетирования и / или пыли.На изображении ниже показан сделанный плоский кадр. с тем же (довольно грязным) сенсором камеры, который использовался выше - пыль в плоской рамке хорошо видны пятнышки.

На самом деле это хорошая практика - захватывать много плоские рамы, а затем их усреднение для получения «мастер-квартиры» который будет иметь меньше шума, чем любая отдельная плоская рама. Квартира изображение кадра, показанное выше, на самом деле является эталонной квартирой, созданной из 30 отдельные плоские рамки и заметно менее шумны, чем свет показаны кадры.

Сама коррекция плоской рамы включает повышение яркости захваченного изображения в областях, где плоская рамка тусклее среднего, чтобы скорректировать уменьшение освещенности датчик камеры в этой области. Снимок и плоская рамка показано выше, исправленное изображение можно увидеть ниже - это в принципе невозможно увидеть влияние пятен пыли на исправленное изображение.

Примечание: Коррекция плоской рамы также может помочь устранить эффекты оптических интерференционных картин с изображения, такие как "Netwon’s Rings", которые могут вызвать проблемы в солнечная съемка.

Выберите Capture Flat из Захват меню . Это автоматически включит гистограмму и покажите окно Capture Flat Frame .

Шаги, необходимые для создания плоской рамы теперь можно следовать

Настройка освещения плоского поля

Это включает в себя организацию цели или равномерно освещенное главное зеркало телескопа или камеры, гарантируя, что единственные вариации яркости захваченного изображение будет из-за пылинок, виньетирования и т. д.

Это, пожалуй, самая сложная часть использования плоские рамы. Многие обсуждения различных способов достижения этого могут можно найти в Интернете, но, чтобы дать краткое описание, некоторые варианты:

· Накрыв конец телескопа белой футболкой и используя любой источник света

· Наведение телескопа на ясное голубое небо

· Наведение телескопа на однородное пасмурное небо

· Использование электролюминесцентной панели

Обратите внимание, что вы должны убедиться, что ориентация и расположение системы визуализации не меняется между захват плоских кадров и захват реальных целевых изображений - это означает, что вы не должны

· Поверните камеру

· Снимите и снова вставьте камеру

· Добавить / удалить или изменить фильтры, редукторы, барлоу и т. Д.

· Отрегулируйте фокус больше, чем это абсолютно необходимо (небольшие изменения ОК)

Настройка параметров камеры

Убедитесь, что камера настроена на правильный настройки на этом этапе.Если вы собираетесь снимать в разрешении 1600x1200, bin 1, RAW12, затем установите эти настройки камеры перед съемкой плоских изображений. кадры. Нет необходимости использовать одну и ту же экспозицию или усиление для флэта. кадры (на самом деле это обычно не работает). Поскольку плоские рамы должно быть как можно меньше шума, обычно это хорошая идея , чтобы установить низкое значение усиления.

Отрегулируйте экспозицию, чтобы получить правильную Форма гистограммы

Правильная экспозиция имеет решающее значение для создания хорошего плоские рамы.Текст под в области Состояние гистограммы окно Capture Flat Frame предоставит указания о том, как для достижения этой цели.

Идеальная гистограмма с плоской рамкой имела бы пик примерно на уровне 50-60% и вся гистограмма между уровни 20% и 80%. Это показано ниже для монохромных и цветные фотоаппараты

Обратите внимание на использование логарифмического числа стиль гистограммы в обоих случаях, что упрощает просмотр размер гистограммы.Также обратите внимание, что для цветной камеры разница в яркости между синими и красными пикселями означает, что оказалось невозможным сохранить всю гистограмму для обоих этих цвета в диапазоне 20-80%, но гистограмма белого канала хорошо приурочен к региону 45-60%.

Выберите параметры

Окно Capture Flat Frame позволяет вы можете настроить процедуру создания плоского каркаса, изменив следующие варианты

· Среднее количество кадров - SharpCap зафиксирует это количество кадров, а затем создайте основной плоский кадр путем усреднения захваченные кадры.Чем выше выбранное здесь число, тем меньше шум будет очевиден в финальном эталонном плоском кадре, что гарантирует помогите окончательное качество изображения.

· Захват и вычитание кадров смещения - Если выбрано, SharpCap установит выдержку камеры на минимум после съемки квартиры кадров, а затем захватить равное количество кадров смещения. Хозяин Тогда плоская рамка будет составлена ​​из среднего значения всех смещений кадры вычитаются из среднего значения всех плоских кадров.Выбор этого параметра должен дать лучшую плоскую коррекцию по широкий диапазон яркости изображения, но требует, чтобы черный Регуляторы уровня / смещения / яркости камеры не изменяются. между захватом плоского кадра и захватом целевого изображения кадры.

· Создать монохромную плоскую рамку - Выбрано по умолчанию и только актуален для цветных фотоаппаратов, этот вариант сделает созданный плоский рамка монохромная даже на цветном фотоаппарате.Монохромные плоские рамки влияет только на яркость изображения при использовании. Когда не выбран, будет создана цветная плоская рамка с эффект изменения баланса белого захваченных изображений при использовал.

Начало съемки плоских кадров

Нажмите кнопку Start , чтобы начать захват плоских кадров (и кадров смещения, если этот параметр выбран). Если Применить новую развертку после завершения захвата параметр установлен, то вновь созданный плоский плоский каркас будет автоматически выбирается, когда он будет готов.

Плоские рамки можно выбрать с помощью Примените элемент управления Flat в группе Pre-processing .

Нажмите кнопку Обзор , чтобы выбрать плоский фрейм, который уже был сохранен на диск, или используйте раскрывающийся список для выбора недавно использованной плоской рамы. Чтобы отключить плоскую рамку исправление, выберите Нет из раскрывающегося списка.

Примечание: Плоские рамы должны соответствовать разрешение камеры, которая используется в данный момент.

Примечание: Плоские рамки, созданные другими программное обеспечение может использоваться SharpCap, если они сохранены в совместимый формат (PNG, FITS, TIFF)

Применение коррекции плоской рамки повлияет на как изображение, отображаемое на экране, так и данные изображения, сохраненные в любом файл захвата, поэтому нет необходимости применять коррекцию плоского кадра в последующая обработка, если вы использовали коррекцию плоского кадра в SharpCap.

Возможна коррекция плоской рамки в SharpCap даже с высокоскоростными камерами - с LifeCam Cinema, работающим на 1280x720x30 кадров в секунду, применение плоского кадра только увеличивает загрузку ЦП на 1% - SharpCap использует специальные инструкции по обработке видео в современные процессоры для невероятно эффективного применения плоских рамок.С быстрый процессор, вы можете применить плоскую рамку к камере USB3, работающей на 1920x1080x150 кадров в секунду!

Укладчик звездного ландшафта - Подготовка мастер-плоских рамок

Плоские рамки используются для коррекции виньетирования линз и некоторых других дефектов линз и датчиков. Их можно в любой момент сделать снимками и превратить в эталонный плоский кадр. Одна основная плоская рамка может быть добавлена ​​в Starry Landscape Stacker при обработке любых изображений, снятых с помощью одного и того же

  • корпуса камеры
  • объектива
  • фокусного расстояния
  • фокусного расстояния
  • диафрагмы
  • ISO

в качестве плоского поля кадры были сняты с использованием.

На практике большинству фотографов потребуется лишь небольшое количество мастер-плоских кадров.

Чтобы подготовить эталонный плоский кадр, необходимо сначала захватить набор кадров с плоским полем и (необязательно) соответствующий набор темных кадров. Затем эти кадры необходимо обработать с помощью Starry Landscape Stacker в мастер-плоский кадр.

Захват кадров с плоским полем

Самая важная и трудная вещь при захвате кадров с плоским полем - это найти что-то, что достаточно равномерно освещено с очень широким углом обзора.Вам нужно что-то, что при фотографировании с идеальным объективом и камерой каждый пиксель имел бы одинаковое значение. Найти что-то такое равномерно освещенное сложно.

Я попробовал использовать дисплей своего iMac (и нескольких других дисплеев), но угол обзора был недостаточно широким. Если смотреть на дисплей прямо, он намного ярче, чем если бы вы смотрели на него под углом. Я использую объектив с диагональю поля зрения 126 °, поэтому мне нужна поверхность, которая равномерно освещается при отклонении от оси на 63 °.Очень немногие дисплеи поддерживают такой большой угол обзора. Поэтому я пошел к местному продавцу пластмасс и купил несколько кусков прозрачного белого акрилового листа из их мусорного ведра по доллару каждый. Кажется, что все они хорошо работают как диффузоры, когда помещаются над дисплеем моего iMac.

С помощью программы рисования я создаю ярко-белый прямоугольник примерно того же размера, что и акриловый лист, который я использую, и делаю остальную часть дисплея черной. Наклеиваю акриловый лист на белый прямоугольник. Я делаю комнату темной.Темная комната и черный экран вокруг белого прямоугольника необходимы для уменьшения отражений и теней на акриловом листе.

Я установил фокусное расстояние, фокусное расстояние, диафрагму и ISO на те, для которых я хочу подготовить мастер-плоский кадр. Затем я устанавливаю выдержку так, чтобы на гистограмме я видел центральный пик. Затем я делаю много снимков, удерживая объектив очень близко к акриловому листу и слегка перемещаясь во время и между экспозициями, чтобы попытаться замаскировать любые дефекты в акриловом листе или отображении за ним.Мое текущее мнение таково, что 50 экспозиций - это разумное число.

Было бы полезно использовать темные рамки вместе с рамками с плоским полем. Проблема в том, что нужно много темных рамок. Я считаю, что вам нужно как минимум в 5 раз больше темных кадров, чем светлых, поэтому вам, вероятно, понадобится как минимум в 5 раз больше темных кадров, чем кадров с плоским полем. Для меня захват и обработка 250 темных кадров для каждого набора плоскостей непрактична и выходит за рамки возможностей текущей версии Starry Landscape Stacker.Если вы хотите снимать темные кадры, наденьте крышку объектива и в темной комнате или с блоком видоискателя, чтобы предотвратить утечку света в видоискатель, снимайте темные кадры.

Обработка кадров плоского поля в Master Flat

Импортируйте кадры плоского поля RAW и соответствующие темные кадры в конвертер RAW (например, Lightroom, ACR) и обрабатывайте их точно так же, как любые светлые кадры. Любые корректировки, которые вы применяете к рамкам с плоским полем, должны точно соответствовать корректировкам, которые вы вносите в свои световые рамки.

Запустите Starry Landscape Stacker и откройте 16-битные tif-представления ваших кадров с плоским полем и темных кадров. Starry Landscape Stacker автоматически определит, что вы делаете мастер-квартиру, и сделает все автоматически. Когда это будет сделано, вам будет предложено сохранить главную квартиру. Я меняю имя мастер-квартиры на то, что сообщает мне корпус камеры, объектив, фокусное расстояние, диафрагму и ISO, так как мне нужно сопоставить эту информацию с аналогичными настройками в моих ночных изображениях, чтобы найти правильную мастер-квартиру для применения. .

Визуализация данных

На картах

Choropleth географические регионы показаны цветными, затененными или градуированными. по какой-то переменной. Они визуально поражают, особенно когда пространственные единицы карты являются знакомыми объектами, такими как страны Европейского Союза или штаты США. Но карты вроде это также может иногда вводить в заблуждение. Хотя это не посвященный Географическая информационная система (ГИС), R может работать с географическими data, а ggplot может создавать картографические карты. Но мы также рассмотрим некоторые другие способы представления таких данных.

На рис. 7.1 показан ряд карт США 2012 г. общие результаты выборов. Читая слева вверху, слева вверху мы увидеть, во-первых, двухцветную карту государственного уровня, где предел победы может быть высоким (темно-синий или красный) или низким (светло-синим или красным). В цветовая схема не имеет середины. Во-вторых, мы видим двухцветный уездный карты окрашены в красный или синий цвет в зависимости от победителя. Третий - это карта уровня графства, где цвет красных и синих графств оценивается по размер доли голоса.Опять же, цветовая шкала не имеет средней точки. Четвертый - карта уровня округа с непрерывным цветовым градиентом от от синего до красного, но проходит через фиолетовую середину для областей, где баланс голосов близок к равному. Карта внизу слева искажает географические границы, сжимая или раздувая их до отражают население показанного округа. Наконец внизу справа мы видим картограмму, где состояния нарисованы квадратными плитками, и количество плиток, которые получает каждое состояние, пропорционально количеству голосов коллегии выборщиков (что, в свою очередь, пропорционально население этого штата).

На каждой из этих карт показаны данные для одного и того же события, но впечатления, которые они производят, сильно различаются. Каждый сталкивается с двумя основными проблемами. Во-первых, основные интересующие нас величины лишь частично являются пространственными. Количество набранных голосов коллегии выборщиков и доля голосов, поданных в пределах штата или округа, выражаются в пространственных единицах, но в конечном итоге имеет значение количество людей в этих регионах. Во-вторых, сами регионы сильно различаются по размеру, и они отличаются друг от друга способом, который плохо коррелирует с величиной базовых голосов.Создатели карт также сталкиваются с выбором, который возникнет во многих других представлениях данных. Хотим ли мы просто показать, кто выиграл каждый штат в абсолютном выражении (это все, что имеет значение для фактического результата, в конце концов), или мы хотим указать, насколько близка была гонка? Хотим ли мы отображать результаты с более высоким уровнем разрешения, чем это имеет отношение к результату, например, подсчет по округам, а не по штатам? Как мы можем передать, что разные точки данных могут иметь очень разный вес, потому что они представляют значительно большее или меньшее количество людей? Достаточно сложно передать эти выборы с помощью разных цветов и размеров на простой диаграмме рассеяния.Часто карта похожа на странную сетку, которой вы вынуждены соответствовать, даже если знаете, что она систематически искажает то, что вы хотите показать.

Конечно, это не всегда так. Иногда наши данные действительно являются чисто пространственными, и мы можем наблюдать их с достаточно высокой степенью детализации, чтобы мы могли честно и очень убедительно представить пространственное распределение. Но пространственные характеристики многих социальных наук собираются с помощью таких объектов, как участки, кварталы, муниципальные районы, переписные участки, округа, штаты и нации.Они сами могут быть социально обусловленными. Большая часть картографической работы с социально-научными переменными предполагает работу как с этим произволом, так и против него.

Карта данных государственного уровня США

Давайте посмотрим на некоторые данные по президентским выборам в США 2016 года. и посмотрим, как мы можем изобразить это в R. В наборе данных о выборах есть различные меры голосования и голосование акций по государству. Здесь мы выбираем столбцы и произвольно выберите несколько строк.

  выборы%>% select (state, total_vote,
                    r_points, pct_trump, party, census)%>%
    sample_n (5)  
  ## # Стол: 5 x 6
## состояние total_vote r_points pct_trump партийная перепись
##      
## 1 Кентукки 1924149 29.8 62,5 Республиканский Юг
## 2 Вермонт 315067 -26,4 30,3 Демократ Северо-восток
## 3 Южная Каролина 2103027 14,3 54,9 Южно-республиканский
## 4 Вайоминг 255849 46,3 68,2 Республиканский Запад
## 5 Канзас 1194755 20,4 56,2 Республиканский Средний Запад  

Рисунок 7.2: Результаты выборов 2016 года. Будет ли двухцветная хороплетная карта более информативной или менее информативной?

Код FIPS - это федеральный код, который пронумеровывает штаты и территории Соединенные штаты.Он распространяется на уровень округа с дополнительными четырьмя цифры, поэтому каждый округ в США имеет уникальный шестизначный идентификатор, где первые две цифры представляют состояние. Этот набор данных также содержит регион переписи каждого штата.

  # Hex-коды цветов для Dem Blue и Rep Red
party_colors <- c ("# 2E74C0", "# CB454A")

p0 <- ggplot (данные = подмножество (выборы, st% nin% "DC"),
             отображение = aes (x = r_points,
                           y = переупорядочить (состояние, r_points),
                           цвет = партия))

p1 <- p0 + geom_vline (xintercept = 0, color = "gray30") +
    geom_point (размер = 2)

p2 <- p1 + scale_color_manual (значения = party_colors)

p3 <- p2 + scale_x_continuous (разрывы = c (-30, -20, -10, 0, 10, 20, 30, 40),
                              label = c («30 \ n (Клинтон)», «20», «10», «0»,
                                         «10», «20», «30», «40 \ n (Трамп)»))

p3 + facet_wrap (~ census, ncol = 1, scale = "free_y") +
    направляющие (цвет = FALSE) + labs (x = "Point Margin", y = "") +
    тема (ось.text = element_text (size = 8))  

Первое, что вы должны помнить о пространственных данных, это то, что вы не обязательно представлять его в пространстве. Мы работали с данные на уровне страны, и их еще предстоит составить карту. Из конечно, пространственные представления могут быть очень полезны, а иногда абсолютно необходимо. Но мы можем начать с точечной диаграммы на уровне штата, по регионам. Этот сюжет объединяет множество аспектов сюжета. конструкция, над которой мы работали до сих пор, включая подмножество данных, переупорядочивание результатов с помощью второй переменной и использование средства форматирования шкалы.Он также вводит некоторые новые параметры, такие как возможность бесплатного масштабирования на оси и вручную установить цвет эстетики. Мы разбиваем процесс строительства в несколько этапов путем создания промежуточных объекты ( p0 , p1 , p2 ) по пути. Это делает код немного более читабельный. Помните также, что, как всегда, вы можете попробовать построить график каждый из этих промежуточных объектов (просто введите их имя в консоли и нажмите return), чтобы посмотреть, как они выглядят.Что просходит если вы удалите аргумент scale = "free_y" из facet_wrap () ? Что произойдет, если удалить вызов scale_color_manual () ?

Как всегда, первая задача при рисовании карты - получить фрейм данных с нужная информация в нем и в правильном порядке. Сначала мы загружаем R maps Пакет , который предоставляет нам некоторые предварительно нарисованные данные карты.

 Библиотека  (карты)
us_states <- map_data ("состояние")
голова (us_states)  
  ## подобласть области порядка группы длинных широт
## 1 -87.4620 30,3897 1 1 Алабама 
## 2 -87.4849 30.3725 1 2 алабама 
## 3 -87.5250 30.3725 1 3 алабама 
## 4 -87.5308 30.3324 1 4 алабама 
## 5 -87,5709 30,3267 1 5 алабама 
## 6 -87.5881 30.3267 1 6 alabama   
  тусклый (us_states)  
  ## [1] 15537 6  

Это просто фрейм данных. В нем более 15 000 строк, потому что вам нужно много линий, чтобы нарисовать красивую карту.Мы можем сделать пустое состояние map сразу с этими данными, используя geom_polygon () .

  p <- ggplot (data = us_states,
            mapping = aes (x = длинный, y = lat,
                          группа = группа))

p + geom_polygon (fill = "white", color = "black")  

На карте нанесены точки широты и долготы, которые как масштабные элементы, сопоставленные с осями x и y. В конце концов, карта - это просто набор линий, нарисованных в правильном порядке на сетке.

Рисунок 7.3. Первая карта США.

Мы можем сопоставить эстетику заливки с областью и изменить цвет нанесение на светло-серый цвет и тонкие линии, чтобы границы штата стали немного приятнее. Мы также скажем R не строить легенду.

Рисунок 7.4: Раскрашивание состояний

  p <- ggplot (data = us_states,
            aes (x = длинный, y = lat,
                группа = группа, заливка = регион))

p + geom_polygon (color = "gray90", size = 0,1) + направляющие (fill = FALSE)  

Теперь займемся проекцией.По умолчанию карта строится используя почтенную проекцию Меркатора. Выглядит не очень хорошо. Если предположить, что мы не планируем пересекать Атлантику, Практические достоинства этой проекции нам тоже не очень полезны. Если вы еще раз взглянете на карты на рис. 7.1, вы увидите обратите внимание, они выглядят лучше. Это потому, что они используют Альберса проекция. (Посмотрите, например, на то, как проходит граница США и Канады. немного изогнут по 49-й параллели от штата Вашингтон до Миннесота, а не прямая линия.) Приемы для карты проекции - это отдельный увлекательный мир, но пока просто помните, что мы можем преобразовать проекцию по умолчанию, используемую geom_polygon () , через функцию corre_map () . Ты запомнишь это мы сказали, что проекция на систему координат является необходимой частью построения графика для любых данных. Обычно это не подразумевается. Мы обычно не нужно указывать функцию ordin_, потому что большинство время, когда мы нарисовали наши графики на простой декартовой плоскости.Карты более сложный. Наши местоположения и границы определены более или менее сферический объект, то есть должен иметь метод преобразования или проецируя наши точки и линии с круглой на плоскую поверхность. В Многие способы сделать это дают нам меню картографических опций.

Для проекции Альберса требуются два параметра широты: широта, и лат1 . Здесь мы даем им их стандартные значения для карты США. (Пытаться возиться с их значениями и посмотреть, что произойдет, когда вы перерисуете карта.)

Рисунок 7.5: Улучшение проекции

  p <- ggplot (data = us_states,
            mapping = aes (x = длинный, y = lat,
                          группа = группа, заливка = регион))

p + geom_polygon (color = "gray90", size = 0,1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45) +
    направляющие (fill = FALSE)  

Теперь нам нужно перенести наши собственные данные на карту. Помните, что внизу эта карта представляет собой просто большой фрейм данных, в котором указано большое количество строк. что нужно нарисовать.Мы должны объединить наши данные с этим фреймом данных. Несколько досадно, что в данных карты названия состояний (в переменной названный регион ) в нижнем регистре. Мы можем создать переменную самостоятельно кадра данных, чтобы соответствовать этому, используя функцию tolower () для преобразовать состояние имен. Затем мы используем left_join для слияния, но вы также можно использовать merge (..., sort = FALSE) . Этот шаг слияния важный! Вам нужно позаботиться о том, чтобы значения ключевых переменных вы соответствуете действительно точно соответствуют друг другу.Если их нет, пропущенные значения (коды NA ) будут введены в ваш сливаются, и линии на вашей карте не соединятся. Это приведет к странно «сегментированный» вид вашей карты, когда R пытается заполнить полигоны. Здесь область , переменная - единственный столбец с таким же name в обоих наборах данных, которые мы объединяем, поэтому left_join () функция использует его по умолчанию. Если ключи имеют разные имена в каждый набор данных вы можете указать, если необходимо.

Повторяю, важно хорошо знать свои данные и переменные. достаточно, чтобы проверить, правильно ли они слились. Не делайте этого вслепую. Например, если были названы строки, соответствующие Вашингтону, округ Колумбия «Вашингтон, округ Колумбия» в области переменная из ваших данных о выборах кадр, но «округ Колумбия» в соответствующей области переменная данных вашей карты, то слияние в области будет означать отсутствие строк на выборах кадр данных будет соответствовать "Вашингтону, округ Колумбия" на карте данные, и все результирующие объединенные переменные для этих строк будут кодируется как отсутствующий.Карты, которые выглядят сломанными, когда вы их рисуете, обычно вызвано ошибками слияния. Но ошибки также могут быть незаметными. Например, возможно, в одном из названий вашего состояния случайно есть начальная (или, хуже, конечный) пробел в результате того, что данные изначально были привезены из других стран и не полностью очищены. Это означало бы, для Например, california и california␣ - разные строки, и матч не удастся. При обычном использовании вам может быть нелегко увидеть дополнительное пространство (обозначено здесь ).Так что будь осторожен.

  выборы $ регион <- tolower (выборы $ состояние)
us_states_elec <- left_join (us_states, выборы)  

Мы объединили данные. Взгляните на объект с помощью голова (us_states_elec) . Теперь, когда все находится в одном большом фрейме данных, мы можем нанести это на карту.

Рисунок 7.6: Отображение результатов

  p <- ggplot (data = us_states_elec,
            aes (x = длинный, y = lat,
                group = группа, fill = party))

p + geom_polygon (color = "gray90", size = 0.1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)  

Чтобы завершить карту, мы будем использовать цвета нашей партии для заливки, перемещаем легенду внизу и добавьте заголовок. Наконец, мы удалим линии сетки и метки осей, которые на самом деле не нужны, путем определения специальная тема для карт, которая удаляет большинство элементов, которые мы не нужно. (Подробнее о темах мы узнаем в главе 8. Вы также можете увидеть код темы карты в Приложении.)

  p0 <- ggplot (data = us_states_elec,
             mapping = aes (x = длинный, y = lat,
                           group = группа, fill = party))
p1 <- p0 + geom_polygon (color = "gray90", size = 0.1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)
p2 <- p1 + scale_fill_manual (значения = party_colors) +
    labs (title = "Результаты выборов 2016", fill = NULL)
p2 + theme_map ()  

Рисунок 7.7: Выборы 2016 по штатам

Имея фрейм данных карты на месте, мы можем отобразить другие переменные, если мы как. Давайте попробуем непрерывный показатель, например процент голосов. получил Дональд Трамп. Для начала мы просто сопоставляем переменную, которую мы хотите ( pct_trump ) к заполнить эстетику и посмотреть, что geom_polygon () делает по умолчанию.

Рисунок 7.8: Две версии процентного козыря по штатам

  p0 <- ggplot (data = us_states_elec,
             mapping = aes (x = long, y = lat, group = group, fill = pct_trump))

p1 <- p0 + geom_polygon (color = "gray90", size = 0,1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p1 + labs (title = "Голос козыря") + theme_map () + labs (fill = "Percent")

p2 <- p1 + scale_fill_gradient (low = "white", high = "# CB454A") +
        лаборатории (title = "Голосование Трампа")
p2 + theme_map () + labs (fill = "Percent")  

По умолчанию в объекте p1 используется синий цвет.Просто по причинам условности, это не то, что здесь нужно. Кроме того, градиент бежит в неправильном направлении. В нашем случае стандартная интерпретация состоит в том, что чем больше доля голосов, тем темнее цвет. Мы исправляем оба из этих проблем в объекте p2 , указав масштаб напрямую. Мы будем использовать значения, которые мы создали ранее в party_colors .

Для результатов выборов мы могли бы предпочесть градиент, отличающийся от середина. Функция scale_gradient2 () дает нам сине-красный спектр, который по умолчанию проходит через белый цвет.В качестве альтернативы мы можем повторно укажите средний цвет вместе с высокими и низкими цветами. Мы сделает нашу среднюю точку пурпурной и воспользуется функцией muted () из масштабирует библиотеку , чтобы немного смягчить цвет.

Рисунок 7.9: Два взгляда на долю Трампа и Клинтона: белая середина и версия Purple America.

  p0 <- ggplot (data = us_states_elec,
             mapping = aes (x = long, y = lat, group = group, fill = d_points))

p1 <- p0 + geom_polygon (color = "gray90", size = 0.1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p2 <- p1 + scale_fill_gradient2 () + labs (title = "Выигрышные значения")
p2 + theme_map () + labs (fill = "Процент")

p3 <- p1 + scale_fill_gradient2 (низкий = "красный", средний = масштаб :: приглушенный ("фиолетовый"),
                                high = "синий", breaks = c (-25, 0, 25, 50, 75)) +
    labs (title = "Выигрышная прибыль")
p3 + theme_map () + labs (fill = "Percent")  

Если вы посмотрите на шкалу градиента для этого первого «пурпурного» Америка »на рис. 7.9, вы увидите, что это простирается очень высоко на синей стороне. Это потому, что Вашингтон включены в данные, а значит, и масштаб. Хотя это едва видно на карте, у округа Колумбия, безусловно, самая высокая разница в пользу демократов любой единицы наблюдения в данных. Если мы опустим это, мы увидим, что наша шкала сдвигается таким образом, что не только влияет верхнюю часть синего конца, но повторно центрирует весь градиент и делает в результате красная сторона более яркая. На рисунке 7.10 показано результат.

  p0 <- ggplot (data = subset (us_states_elec,
                           region% nin% "округ Колумбия"),
             aes (x = long, y = lat, group = group, fill = d_points))

p1 <- p0 + geom_polygon (color = "gray90", size = 0,1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p2 <- p1 + scale_fill_gradient2 (low = "красный",
                                mid = scale :: приглушенный ("фиолетовый"),
                                high = "синий") +
    labs (title = "Выигрышная прибыль")
p2 + theme_map () + labs (fill = "Percent")  

Рисунок 7.10: Версия Purple America Трампа против Клинтона, исключающая результаты из Вашингтона, округ Колумбия.

Это обнажает знакомую хороплетную проблему наличия географических области, которые лишь частично представляют переменную, которую мы отображаем. В В этом случае мы показываем голоса пространственно, но что действительно важно это количество проголосовавших.

Ур-плетики Америки

В случае США административные районы сильно различаются по географическому области, и они также сильно различаются по численности населения.Проблема в очевидно на государственном уровне, как мы видели, возникает еще больше на уровень округа. Карты США на уровне графства могут быть эстетически приятными, из-за дополнительных деталей, которые они привносят на национальную карту. Но они также упростить представление географического распределения, чтобы намекнуть объяснение. С результатами может быть сложно работать. При производстве карты графств, важно помнить, что штаты Нового Хэмпшир, Род-Айленд, Массачусетс и Коннектикут - все это меньше по площади, чем любой из десяти крупнейших западных округов .Многие из этих округов менее ста тысяч человек живут в их. В некоторых из них проживает менее десяти тысяч человек.

В результате большинство картографических карт США для любых Фактически, переменная показывает плотность населения больше, чем что-либо другое. В Другой большой переменной в случае США является процент черных. Посмотрим, как чтобы нарисовать эти две карты в R.Процедура по существу так же, как это было для карты государственного уровня. Нам нужны два фрейма данных, один содержит данные карты, а другой - заливку переменные, которые мы хотим отобразить.Потому что их больше трех тысяч округах США, эти два фрейма данных будут скорее больше, чем они были для карт государственного уровня.

Наборы данных включены в библиотеку socviz . Данные карты округа кадр уже немного обработан, чтобы преобразовать его в проекции Альберса, а также для перемещения (и масштабирования) Аляски и Гавайи, чтобы они вписывались в область в левом нижнем углу рисунка. Этот лучше, чем отбрасывать два состояния из данных.Шаги для этого преобразования и перемещения здесь не показаны. Если вы хотите узнать, как это делается, ознакомьтесь с дополнительными материалами. Давайте сначала взглянем на данные нашей карты округа:

  county_map%>% sample_n (5)  
  ## идентификатор группы длинных отверстий для заказа
## 116977-286097 -1302531 116977 ЛОЖНО 1 0500000US35025.1 35025
## 175994 1657614-698592 175994 ЛОЖНО 1 0500000US51197.1 51197
## 186409 674547-65321 186409 ЛОЖНО 1 0500000US55011.1 55011
## 22624 619876-1093164 22624 ЛОЖНО 1 0500000US05105.1 05105
## 5906-1983421-2424955 5906 ЛОЖНО 10 0500000US02016.10 02016  

Он выглядит так же, как и наш фрейм данных карты состояний, но намного больше и содержит почти 200 000 строк. Поле id - это код FIPS для округа. Затем у нас есть фрейм данных с демографическими, географическими данными и данными о выборах на уровне округа:

  county_data%>%
    выберите (идентификатор, имя, состояние, pop_dens, pct_black)%>%
    sample_n (5)  
  ## id name state pop_dens pct_black
## 3029 53051 Пенд Орейл Каунти, штат Вашингтон [0, 10) [0.0, 2,0)
## 1851 35041 Рузвельт Каунти Нью-Мексико [0, 10) [2.0, 5.0)
## 1593 29165 Платт, округ Миссури [100, 500) [5.0,10.0)
## 2363 45009 Округ Бамберг SC [10, 50) [50.0,85.3]
## 654 17087 Округ Джонсон, Иллинойс [10, 50) [5.0,10.0)  

Этот фрейм данных включает информацию по объектам, кроме округов, но не по всем переменным. Если вы посмотрите на верхнюю часть объекта с head () , вы заметите, что первая строка имеет id из 0 .Ноль - это код FIPS для всех Соединенных Штатов, поэтому данные в этой строке относятся ко всей стране. Точно так же вторая строка имеет идентификатор , из 01000, что соответствует FIPS штата 01 для всей Алабамы. Когда мы объединяем county_data в county_map , эти строки состояния будут удалены вместе со строкой национального значения, поскольку county_map имеет данные только на уровне округа.

Мы объединяем фреймы данных, используя общий FIPS id столбец:

  county_full <- left_join (county_map, county_data, by = "id")  

Объединив данные, мы можем отобразить плотность населения на квадратную милю.

  p <- ggplot (data = county_full,
            mapping = aes (x = длинный, y = lat,
                          fill = pop_dens,
                          группа = группа))

p1 <- p + geom_polygon (color = "gray90", size = 0,05) + corre_equal ()

p2 <- p1 + scale_fill_brewer (palette = "Блюз",
                             label = c ("0-10", "10-50", "50-100", "100-500",
                                        «500–1000», «1000–5000», «> 5000»))

p2 + labs (fill = "Население на \ nквадратную милю") +
    theme_map () +
    направляющие (fill = guide_legend (nrow = 1)) +
    тема (легенда.position = "bottom")  

Рисунок 7.11: Плотность населения США по округам.

Если вы попробуете объект p1 , вы увидите, что ggplot создает четкую карту, но по умолчанию выбирает неупорядоченный категориальный макет. Это связано с тем, что переменная pop_dens не упорядочена. Мы могли бы перекодировать его так, чтобы R знал о порядке. В качестве альтернативы мы можем вручную указать правильный масштаб, используя функцию scale_fill_brewer () вместе с более удобным набором меток.Мы узнаем больше об этой функции масштабирования в следующей главе. Мы также настраиваем способ рисования легенды с помощью функции guides () , чтобы каждый элемент ключа отображался в одной строке. Мы снова увидим использование guides () более подробно в следующей главе. Использование corre_equal () гарантирует, что относительный масштаб нашей карты не изменится, даже если мы изменим общие размеры графика.

Теперь мы можем сделать то же самое для нашей карты процента черного. население по округам.Еще раз указываем палитру для заливки отображение с использованием scale_fill_brewer () , на этот раз выбрав другой диапазон оттенков для карты.

  p <- ggplot (data = county_full,
            mapping = aes (x = long, y = lat, fill = pct_black,
                          группа = группа))
p1 <- p + geom_polygon (color = "gray90", size = 0,05) + corre_equal ()
p2 <- p1 + scale_fill_brewer (palette = "Зелень")

p2 + labs (fill = "Население США, процент чернокожих") +
    направляющие (fill = guide_legend (nrow = 1)) +
    theme_map () + theme (legend.position = "bottom")  

Рисунок 7.12: Процент чернокожего населения по округам.

Рисунки 7.11 и 7.12 соответствуют американским «Ур-хороплеты». Между ними двумя, плотность населения и процентов Черные сделают многое, чтобы стереть с лица земли многие сугубо узорчатая карта Соединенных Штатов. Эти две переменные не объяснений чего-либо изолированно, но если это окажется что полезнее знать один или оба из них, а не то, что вы планируете, вы, вероятно, захотите пересмотреть свою теорию.

В качестве примера проблемы в действии нарисуем два новых хороплеты на уровне графства. Первый - это попытка воспроизвести плохо составленная, но широко распространяемая карта графства, связанная с огнестрельным оружием уровень самоубийств в США. Переменная su_gun6 в county_data county_full ) является мерой скорости всех самоубийства, связанные с огнестрельным оружием, в период с 1999 по 2015 годы. на шесть категорий. У нас есть переменная pop_dens6 , которая делит Плотность населения тоже на шесть категорий.

Сначала мы рисуем карту с переменной su_gun6 . Мы будем соответствовать цветовые палитры между картами, но для карты населения мы будем переверните нашу цветовую шкалу так, чтобы в более темный оттенок. Мы делаем это с помощью функции из RColorBrewer библиотека для создания двух палитр вручную. Используемая функция rev () здесь меняет порядок вектора.

  orange_pal <- RColorBrewer :: brewer.pal (n = 6, name = "Апельсины")
orange_pal  
  ## [1] "#FEEDDE" "# FDD0A2" "# FDAE6B" "# FD8D3C" "# E6550D"
## [6] "# A63603"  
  orange_rev <- rev (orange_pal)
orange_rev  
  ## [1] "# A63603" "# E6550D" "# FD8D3C" "# FDAE6B" "# FDD0A2"
## [6] "#FEEDDE"  

Пивовар .Функция pal () создает равномерно распределенные цветовые схемы для заказ из любой из нескольких названных палитр. Цвета указаны в шестнадцатеричном формате. Опять же, мы узнаем больше о цвете спецификации и как управлять палитрами для отображаемых переменных в Глава 8.

  gun_p <- ggplot (data = county_full,
            mapping = aes (x = длинный, y = lat,
                          fill = su_gun6,
                          группа = группа))

gun_p1 <- gun_p + geom_polygon (color = "gray90", size = 0.05) + corre_equal ()

gun_p2 <- gun_p1 + scale_fill_manual (значения = orange_pal)

gun_p2 + labs (title = "Самоубийства, связанные с огнестрельным оружием, 1999-2015 гг.",
              fill = "Скорость на 100 000 населения.") +
    theme_map () + theme (legend.position = "bottom")  

Нарисовав оружейный участок, мы используем почти точно такой же код для построения карты плотности населения с обратным кодом.

  pop_p <- ggplot (data = county_full, mapping = aes (x = long, y = lat,
                                                  fill = pop_dens6,
                                                  группа = группа))

pop_p1 <- pop_p + geom_polygon (color = "gray90", size = 0.05) + corre_equal ()

pop_p2 <- pop_p1 + scale_fill_manual (значения = orange_rev)

pop_p2 + labs (title = "Плотность населения с обратным кодом",
              fill = "Люди на квадратную милю") +
    theme_map () + theme (legend.position = "bottom")  

Понятно, что две карты не идентичны. Однако визуальный Воздействие первого имеет много общего со вторым. Темный группы на Западе (кроме Калифорнии) выделяются и исчезают по мере того, как мы двигаться к центру страны.Есть несколько сильных сходства и в других местах карты, например, на северо-востоке.

Самоубийство, связанное с применением огнестрельного оружия, уже выражено в виде ставки. Это количество подходящих смертей в округе, деленное на Население. Обычно мы стандартизируем таким образом «контроль» за тот факт, что более крупные группы населения, как правило, производят больше связанных с оружием самоубийства только потому, что в них больше людей. Однако это своего рода стандартизация имеет свои пределы. В частности, когда мероприятие представляющих интерес, не очень распространены, и есть очень большие различия в базовый размер единиц, затем знаменатель (например,г., население size) все больше начинает выражаться в стандартизованных мера.

Рисунок 7.13: Самоубийства, связанные с огнестрельным оружием, по округам; Плотность населения с обратным кодом по округам. Прежде чем опубликовать это изображение в Твиттере, прочтите текст, чтобы обсудить, что с ним не так.

В-третьих, и более тонко, данные подлежат отчетным ограничениям. связано с численностью населения. Если в одном год для причины смерти Центры по контролю за заболеваниями (CDC) будут не сообщать о них на уровне округа, потому что это может быть возможно идентифицировать конкретных умерших людей.Назначение таких данных для бункеры создают пороговую проблему для картограмм. Посмотри снова Рисунок 7.13. Панель самоубийств, связанных с оружием, кажется, показывает группа округов с севера на юг с самым низким уровнем самоубийств бежит из Дакоты через Небраску, Канзас, и на Запад Техас. Как ни странно, эта группа граничит с графствами на Западе с очень самые высокие ставки, начиная с Нью-Мексико. Но из карты плотности мы можем видите, что во многих округах в обоих этих регионах очень низкое население плотности.Неужели они такие разные в самоубийстве, связанном с оружием? ставки?

Наверное, нет. Скорее всего, мы видим артефакт, возникающий из-за того, как данные закодированы. Например, представьте себе округ со 100 000 жителей, которые за год совершают девять самоубийств, связанных с оружием. В CDC не сообщает этот номер. Вместо этого он будет закодирован как «Скрыто», сопровождается примечанием о любых стандартизированных оценках или ставки тоже будут ненадежными. Но если мы полны решимости сделать карта, на которой все округа закрашены, у нас может возникнуть соблазн поставить любые подавленные результаты в нижнюю корзину.Ведь мы знаем, что число находится где-то между нулем и десятью. Почему бы просто не закодировать это как ноль? ⊕ Не делайте этого. Одна стандартная альтернатива - оцените подавленные наблюдения, используя модель подсчета. Подход как это может естественным образом привести к более обширному, собственно пространственному моделирование данных. Между тем, графство со 100000 жителей который переживает двенадцать самоубийств, связанных с оружием, в год будет численно сообщается. CDC - ответственная организация, поэтому хотя он дает абсолютное количество смертей для всех округов выше порогового значения, примечания к файлу данных будут предупреждать вас что любая ставка, рассчитанная с этим числом, будет ненадежной.Если мы продвигайтесь вперед и сделайте это в любом случае, тогда 12 смертей в небольшой популяции вполне может поставить малонаселенный округ в высшую категорию уровень самоубийств. Между тем, малонаселенные округа как раз под этим порог будет закодирован как находящийся в самом низком (самом легком) бункере. Но в на самом деле они могут быть не такими уж и разными, и в любом случае попытки определить количественно, что разница будет недостоверной. Если оценки для этих округа нельзя получить напрямую или оценить с помощью хорошей модели, тогда лучше отказаться от этих дел как пропавших без вести, даже за счет вашего красивая карта, чем большие территории страны, нарисованные цвет получен из ненадежного числа.

Небольшие различия в отчетах в сочетании с неправильным кодированием приведут к пространственно вводящие в заблуждение и существенно ошибочные результаты. Может показаться которые сосредоточены на деталях кодирования переменных в этом конкретном дело слишком много в сорняках для общего введения. Но именно эти детали могут кардинально изменить внешний вид любого графа, но особенно карт, таким образом, что может быть трудно обнаруживать постфактум.

Statebins

В качестве альтернативы хороплетам государственного уровня можно рассматривать statebins , используя пакет, разработанный Бобом Рудисом.Мы будем использовать это, чтобы посмотрите еще раз на наши результаты выборов на уровне штата. Statebins похож в ggplot, но синтаксис немного отличается от того, который мы использовали к. Требуется несколько аргументов, включая базовый фрейм данных ( state_data аргумент), вектор имен состояний ( state_col ) и отображается значение ( столбец_значений ). Кроме того, мы можем опционально сказать это цветовая палитра, которую мы хотим использовать, и цвет текста для маркировки государственные коробки. Для непрерывной переменной мы можем использовать statebins_continuous () , а именно:

Рисунок 7.14: Statebins результатов выборов. Мы опускаем DC на карте Клинтона, чтобы предотвратить разбалансировку шкалы.

 Библиотека  (стейблеры)

statebins_continuous (state_data = выборы, state_col = "состояние",
                     text_color = "белый", value_col = "pct_trump",
                     brewer_pal = "Красные", font_size = 3,
                     legend_title = "Процент козыря")

statebins_continuous (state_data = subset (выборы, st% nin% "DC"),
                     state_col = "состояние",
                     text_color = "черный", value_col = "pct_clinton",
                     brewer_pal = "Блюз", font_size = 3,
                     legend_title = "Процент Клинтона")  

Иногда нам нужно представить категориальные данные.Если наша переменная уже разделенные на категории, мы можем использовать statebins_manual () для представляют это. Здесь добавьте новую переменную к данным о выборах с именем цвет , просто зеркальное отображение названий партий с двумя соответствующими названиями цветов. Мы делаем это, потому что нам нужно указать цвета, которые мы используем, переменной во фрейме данных, а не как правильное отображение. Мы говорим statebins_manual () функция, что цвета содержатся в столбце назвал цвет .

В качестве альтернативы мы можем использовать statebins () вырезать данные для нас, используя прерывает аргумент , как и во втором сюжете.

Рисунок 7.15: Ручное указание цветов для бинов состояний.

  выборы <- выборы%>% mutate (color = recode (party, Republican = "darkred",
                                               Демократ = "королевский синий"))

statebins_manual (state_data = выборы, state_col = "st",
                 color_col = "цвет", text_color = "белый",
                 font_size = 3, legend_title = "Победитель",
                 label = c ("Трамп", "Клинтон"), legend_position = "right")

statebins (state_data = выборы,
          state_col = "состояние", value_col = "pct_trump",
          text_color = "white", breaks = 4,
          label = c ("4-21", "21-37", "37-53", "53-70"),
          brewer_pal = "Красные", font_size = 3, legend_title = "Процент козыря")  

Мало-кратные карты

Иногда у нас есть географические данные с повторяющимися наблюдениями с течением времени.Распространенным случаем является наблюдение за показателем на уровне страны или штата в течение нескольких лет. В этих случаях мы можем захотеть создать небольшую множественную карту, чтобы отображать изменения с течением времени. Например, данные по опиатам содержат измерения уровня смертности от причин, связанных с опиатами (таких как передозировка героина или фентанила) на уровне штата, в период с 1999 по 2014 год.

  опиаты  
  ## # Тибл: 800 x 11
## год штатные фипсы смертность населения скорректирована
##       
## 1 1999 Алабама 1 37 4430141 0.800 0,800
## 2 1999 Аляска 2 27 624779 4,30 4,00
## 3 1999 Аризона 4229 5023823 4,60 4,70
## 4 1999 Арканзас 5 28 2651860 1,10 1,10
## 5 1999 Калифорния 6 1474 33499204 4,40 4,50
## 6 1999 Колорадо 8 164 4226018 3,90 3,70
## 7 1999 Коннектикут 9 151 3386401 4,50 4,40
## 8 1999 г. Делавэр 10 32 774990 4,10 4,10
№ 9 1999 г. р-н о… 11 28 570213 4.90 4,90
## 10 1999 Флорида 12 402 15759421 2,60 2,60
## # ... с дополнительными 790 строками и еще 4 переменными:
## # Adjust_se , регион , abbr ,
## # имя_разделения   

Как и раньше, мы можем взять наш объект us_states , содержащий детали карты уровня состояния, и объединить его с нашим набором данных опиатов. Как и раньше, мы преобразуем переменную State в данных opiates сначала в нижний регистр, чтобы сопоставление работало правильно.

  опиаты $ регион <- tolower (состояние опиатов)
opiates_map <- left_join (us_states, опиаты)  

Поскольку данные опиатов включают переменную года , мы сейчас находимся в возможность сделать фасетное малое кратное с одной картой на каждый год в данных. Следующий фрагмент кода похож на одиночный карты государственного уровня, которые мы нарисовали до сих пор. Мы указываем данные карты как обычно, добавляя к нему geom_polygon () и corre_map () , с аргументами те функции нужны.Вместо того, чтобы разделять наши данные на ячейки, мы построим непрерывные значения для скорректированной переменной уровня смертности (, скорректировано ). Если вы хотите поэкспериментировать с разделением данных на группы на лету, взгляните на cut_interval () функция. Чтобы эффективно построить график этой переменной, мы будем использовать новую функцию масштабирования из библиотеки viridis . Цвета viridis идут в последовательности от низкого к высокому и очень хорошо работа по объединению воспринимаемых однородных цветов с легко видимыми, легко контрастирующие оттенки по их чешуе.Библиотека viridis предоставляет непрерывные и дискретные версии, обе в нескольких вариантах. Некоторые сбалансированные палитры могут быть немного размытыми, особенно в нижней части, но палитры viridis этого избегают. В этом коде суффикс _c_ в функции scale_fill_viridis_c () сигнализирует, что это масштаб для непрерывных данных. Для дискретных данных существует эквивалент scale_fill_viridis_d () .

Мы фасетируем карты так же, как и любые другие малые кратные, с помощью функции facet_wrap () .Мы используем тему () функция, чтобы поместить легенду внизу и удалить затененные по умолчанию фон от этикеток года. Мы узнаем больше об этом использовании функция theme () в главе 8. Окончательная карта показано на рисунке 7.16.

  библиотека (viridis)

p0 <- ggplot (data = subset (opiates_map, год> 1999),
             mapping = aes (x = длинный, y = lat,
                 группа = группа,
                 fill = скорректировано))

p1 <- p0 + geom_polygon (color = "gray90", size = 0.05) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p2 <- p1 + scale_fill_viridis_c (option = "плазма")

p2 + theme_map () + facet_wrap (~ год, ncol = 3) +
    тема (legend.position = "bottom",
          strip.background = element_blank ()) +
    labs (fill = "Смертность на 100 000 населения",
         title = "Смертность, связанная с опиатами, по штатам, 2000-2014 гг.")  

Рисунок 7.16: Маленькая множественная карта. В штатах, выделенных серым цветом, было зарегистрировано слишком мало смертей для достоверной оценки численности населения в том году.Штаты в белом не сообщили данных.

Это хороший способ визуализировать эти данные? ⊕Попробуйте пересмотреть свой код для ur-choropleths, но используйте непрерывные, а не группированные меры, а также палитру viridis . Вместо pct_black используйте переменную black . Для определения плотности населения разделите pop на land_area . Вам нужно будет настроить функции scale_ . Как карты соотносятся с разнесенными версиями? Что происходит с картой плотности населения и почему? Как мы обсуждали выше, хороплетные карты U.S. стараются в первую очередь отслеживать размер местных населения и, во вторую очередь, процент населения, которое Афроамериканец. Различия в географическом размере государств снова затрудняет обнаружение изменений. И это довольно сложно многократно сравнивать по пространственным регионам. Повторные меры делают означают, что некоторое сравнение возможно, и сильные тенденции для этого данные упрощают просмотр. В этом случае случайный зритель может подумать, например, что опиодный кризис был худшим в пустыне на юго-западе по сравнению со многими другими частями стране, хотя тоже кажется, что в Аппалачи.

Действительно ли ваши данные пространственные?

Как мы отметили в начале главы, даже если наши данные собраны или сгруппированы в пространственные единицы, всегда стоит спрашивать является ли карта лучшим способом ее представления. Многие округа, штат и национальные данные не являются должным образом пространственными, поскольку они действительно физических лиц (или какой-либо другой заинтересованной единицы), а не географическое распределение этих единиц per se . Возьмем наши данные по опиатам на уровне штата и перерисовать их в виде графика временного ряда.Мы будем сохраняйте фокус на уровне штата (в конце концов, это ставки на уровне штата), но постарайтесь сделать тенденции более заметными.

Мы могли бы просто построить графики тенденций для каждого штата, как мы это делали в самом начале начиная с данных gapminder data. Но пятьдесят штатов - это слишком много линии, за которыми нужно следить сразу.

Рисунок 7.17: Все состояния сразу.

  p <- ggplot (данные = опиаты,
            mapping = aes (x = год, y = скорректировано,
                          группа = состояние))
p + geom_line (color = "gray70")  

Более информативный подход - воспользоваться географическим положением структура данных с использованием регионов переписи для группировки штатов.Представьте себе многогранный график, показывающий тенденции на уровне штата в каждом регионе. страны, возможно, с линией тренда для каждого региона. Сделать это, мы воспользуемся возможностью ggplot накладывать геометрические фигуры один на один другого, используя разные наборы данных в каждом случае. Начнем с того, что данные опиатов (исключая Вашингтон, округ Колумбия, поскольку это не штат), и построение скорректированного коэффициента смертности с течением времени.

  p0 <- ggplot (data = drop_na (опиаты, название подразделения),
            mapping = aes (x = год, y = скорректировано))
            
p1 <- p0 + geom_line (color = "gray70",
              mapping = aes (группа = состояние))  

Функция drop_na () удаляет строки, в которых отсутствуют наблюдения для указанных переменных, в данном случае только Division_name , потому что Вашингтон, округ Колумбия, не является частью какого-либо отдела переписи населения.Мы сопоставляем группу эстетики с состоянием в geom_line () , что дает нам линейный график для каждого штата. Мы используем аргумент color , чтобы установить линии к светло-серому. Далее добавляем сглаживание:

  p2 <- p1 + geom_smooth (сопоставление = aes (group = имя_разделения),
                       se = FALSE)  

Для этого геометрии мы установили group aesthetic на Division_name . (Подразделение - это меньшая классификация переписи, чем регион.Если мы установим его на , состояние , мы получим пятьдесят отдельных сглаживающих линий в дополнение к нашим пятидесяти линиям тренда. Затем, используя то, что мы узнали в главе 4, мы добавляем объект geom_text_repel () , который помещает метку для каждого состояния в конец серии. Поскольку мы маркируем линии, а не точки, мы хотим, чтобы метка состояния отображалась только в конце строки. В Уловка состоит в том, чтобы подгруппировать данные так, чтобы только точки за последний год наблюдаемые используются (и поэтому помечены). Мы также должны не забыть удалить Вашингтон, округ Колумбия, снова здесь, поскольку новый аргумент данных заменяет оригинальный в р0 .

  p3 <- p2 + geom_text_repel (data = subset (опиаты,
                                         год == макс (год) & abbr! = "DC"),
                     mapping = aes (x = год, y = скорректировано, label = abbr),
                     size = 1.8, segment.color = NA, nudge_x = 30) +
         corre_cartesian (c (мин (опиаты $ год),
                    макс (опиаты $ год)))  

По умолчанию geom_text_repel будет на маленьких отрезках линии, которые укажите, к чему относятся ярлыки.Но здесь это бесполезно, так как мы уже имеют дело с конечной точкой линии. Поэтому мы их выключаем с аргументом сегмент. цвет = NA . Мы также убираем ярлыки с немного справа от строк, используя аргумент nudge_x , и используйте ordin_cartesian () , чтобы установить пределы оси, чтобы было достаточно место для них.

Наконец, мы обрабатываем результаты по отделам переписи и добавляем наши метки. А полезной корректировкой является изменение порядка панелей по среднему коэффициенту смертности.Ставим минус перед , поправляем на то, что деления с самые высокие средние ставки появляются в диаграмме первыми.

  p3 + labs (x = "", y = "Скорость на 100 000 населения",
       title = "Уровень смертности от опиатов на уровне штата по переписи населения, 1999-2014 гг.") +
    facet_wrap (~ переупорядочить (имя_разделения, -адаптировано, na.rm = TRUE), nrow = 3)  

Наш новый сюжет раскрывает большую часть общей истории, представленной на картах, но также немного смещает акценты. Легче видеть четче что происходит в некоторых частях страны.В частности, вы можете увидеть номера в Нью-Гэмпшире, Род-Айленде, Массачусетсе и Коннектикут. Вы можете более легко увидеть различия на уровне штата в Запад, например, между Аризоной, с одной стороны, и Нью-Йорком. С другой стороны, Мексика или Юта. И, как также было видно на картах, удивительно быстрый рост смертности в Западной Вирджинии также очевидно. Наконец, графики временных рядов лучше передают расходящиеся траектории различных состояний внутри регионов. Существует намного больше отклонений в конце серии, чем в начале, особенно на Северо-Востоке, Среднем Западе и Юге, и хотя это может быть выведенные из карт, их легче увидеть на графиках трендов.

Рисунок 7.18: Данные по опиатам в виде фасетных временных рядов.

Единицей наблюдения на этом графике по-прежнему является год штата. В географически привязанный характер данных никогда не исчезнет. Линии, которые мы draw по-прежнему представляет состояния. Таким образом, основной произвол представление нельзя заставить исчезнуть. В каком-то смысле идеал набор данных здесь будет собран на более детальном уровне единицы, времени и пространственной специфичности. Представьте себе данные на индивидуальном уровне с произвольно точной информацией о личных характеристиках, раз и место смерти.В таком случае мы могли бы агрегировать до любых понравившихся нам категориальных, пространственных или временных единиц. Но такие данные крайне редки, часто по очень веским причинам, которые варьируются от практичности сбора до частной жизни. На практике нам нужно быть осторожными, чтобы не допустить какой-то ошибки неуместная конкретность, ошибочно принимающая единицу наблюдения за вещь, представляющая реальный предметный или теоретический интерес. Это проблема для большинства видов социально-научных данных. Но их поразительное зрелище характер делает карты, возможно, более уязвимыми для этой проблемы, чем другие виды визуализации.

Куда пойти дальше

В этой главе мы узнали, как начать работу с уровнями состояния и данные на уровне округа, организованные кодами FIPS. Но это почти не царапает поверхность визуализации, где пространственные особенности и распределения являются основным направлением. Анализ и визуализация пространственных данных собственная исследовательская область с собственными исследовательскими дисциплинами в области географии и картография. Понятия и методы изображения пространственного функции хорошо разработаны и стандартизированы.До не давнего времени, большая часть этой функциональности была доступна только через выделенный Географические информационные системы. Их картографирование и пространственный анализ функции не были хорошо связаны. Или, по крайней мере, их не было удобно подключается к программному обеспечению, ориентированному на анализ табличных данные.

Это быстро меняется. Брандсон и Комбер (2015) дают введение в некоторые возможности отображения R. Между тем совсем недавно эти инструменты стали намного более доступными через tidyverse.Из особый интерес для социологов⊕ r-spatial.github.io/sf/ . Также смотрите новости и обновления на r-spatial.org . - это продолжающаяся разработка Edzer Pebesma пакета sf , который реализует стандартную модель данных Simple Features для пространственных объектов удобным для tidyverse способом. Соответственно, пакет tigris Кайла Уокера и Боба Рудиса⊕ github.com/walkerke/tigris обеспечивает (совместимый с sf-библиотекой) доступ к шейп-файлам TIGER / Line Бюро переписи населения США, которые позволяют отображать данные для множества различных географические, административные и связанные с переписью подразделения Соединенных Штатов, а также дороги и водные объекты.Наконец, пакет tidycensus Кайла Уокера walkerke.