In dieser Aufgabe wollen wir für jeden Zeckenstich ermitteln, ob er sich im Wald befindet oder nicht. Den Wald-Layer kennt ihr bereits aus dem Block “Datenqualität und Unsicherheit” und wir haben ihn in Geodatenformate kurz angeschaut. Nutzen wir hier nochmal die Gelegenheit, um den Wald und die Zeckenstiche (siehe Tabelle 1) als Geodaten einzulesen und in einem grossen Plot zu visualisieren.
import geopandas as gpdzeckenstiche_gpd = gpd.read_file("data/zeckenstiche.gpkg")wald = gpd.read_file("data/wald.gpkg")minx, miny, maxx, maxy = zeckenstiche_gpd.geometry.total_bounds # holt die x und y min bzw. max werte und speichert diese in 4 variabelnfrom matplotlib.colors import ListedColormapbase = wald.plot(column ="Wald_text", legend =True, cmap = ListedColormap(["green","lightgrey"]))zeckenstiche_gpd.plot(color ="Red", ax = base)base.set_xlim(minx -10, maxx +10) base.set_ylim(miny -5, maxy +5)
Wie funktioniert ein Spatial Join?
In Input: GIS in Python habt ihr euch mit den GIS-Funktionalitäten von geopandas vertraut gemacht. Eine ganz zentrale Funktion in GIS sind die sogenannten “Spatial Joins”. Dabei werden Attribute von einem Geodatensatz auf einen anderen Geodatensatz aufgrund einer räumlichen Beziehung der beiden Datensätze übertragen. Konkret für unsere Zeckenstiche bedeutet dies: Jedem Zeckenstich sollte die Eigenschaft “Wald: ja” / “Wald: nein” aus `wald zugewiesen werden. Am einfachsten lässt sich dies in einer Darstellung erklären:
Abbildung 47.1: “Spatial Join” zwischen zeckenstiche und wald. In diesem Spatial Join wurde die Geometrie von zeckenstiche übernommen, das heisst das Resultat des Joins ist ein Punkt-Layer.
In Python wird ein Spatial Join zwischen zeckenstiche und wald wie folgt durchgeführt (wichtig ist dabei auch die Reihenfolge der Argumente: left_df bestimmt den Geometrietyp des Outputs):
