jlehtoma

library(hrbrthemes)
library(tidyverse)

dat <- tibble::tibble(year = factor(c(2010:2017, paste0("A", 2018:2020))),
                       funding = c(400, 410, 431, 423, 431, 446, 404, 395,
                                   390, 383, 374))

p1 <- dat %>%
  ggplot(aes(x = year, y = funding)) +
  geom_bar(stat = "identity", width = 0.4) +

jlehtoma

library(magick)
library(raster)
library(rgeos)
library(sf)
library(sp)
library(tidyverse)

set.seed(1)

# Helper functions --------------------------------------------------------

jlehtoma

library(sf)

# Define source from where the data is downloaded
source_url <- "https://kartta.hel.fi/avoindata/aineistot/HKI-aluejako-1995-2016-gpkg.zip"
target_dir <- "data"

# Make target dir if it doesn't exist
if (!dir.exists(target_dir)) {
  dir.create(target_dir)
}

jlehtoma

Nämä ohjeet on tehty QGIS:in 2.18 -versiolla. Uusin versio on 3.0, jossa komentojen nimet / paikat ovat saattaneet hieman muuttua. QGIS-ohjelman voit ladata täältä.

Analyysien taustat, aineistot ja toteutus on kuvattu raportissa Monimuotoisuudelle tärkeät metsäalueet Suomessa. Tutustu raporttiin ennen tulosaineistoihin perehtymistä!

1. Lataa Monimuotoisuudelle tärkeät metsäalueet 2018 (Zonation) -aineisto koneellesi ja pura zip-tiedosto.
2. Layer > Add Raster Layer > valitse joku Zonation-tulosrastereista
3. Lataa värimäärittelytiedosto täältä koneellesi ( selaimessa Save As tms)
4. Tuplaklikkaa Layer Panel:issa 2-kohdassa lisäämääsi Zonation-tulosraster

jlehtoma

<!DOCTYPE qgis PUBLIC 'http://mrcc.com/qgis.dtd' 'SYSTEM'>
<qgis version="2.1.0-Master" minimumScale="0" maximumScale="1e+08" hasScaleBasedVisibilityFlag="0">
  <pipe>
    <rasterrenderer opacity="1" alphaBand="0" classificationMax="1" classificationMinMaxOrigin="User" band="1" classificationMin="0" type="singlebandpseudocolor">
      <rasterTransparency/>
      <rastershader>
        <colorrampshader colorRampType="DISCRETE" clip="0">
          <item alpha="255" value="0.2" label="0.00 - 0.20" color="#4575B4"/>
          <item alpha="255" value="0.5" label="0.20 - 0.50" color="#91BFDB"/>
          <item alpha="255" value="0.75" label="0.50 - 0.75" color="#E0F3F8"/>

jlehtoma

library(tidyverse)

# Helper functions --------------------------------------------------------

process_sp <- function(sp) {
  
  message("Processing species: ", sp, "...")
  
  # Seuraava käskyjoukko tuottaa kolmiosaisen kuvaajan, jossa ylin kuvaaja kertoo paikallismäärien
  # vaihtelun vuoden aikana ja keskimmäinen muuttajien vastaavan vaihtelun. Kuvaajissa x-akselilla on

jlehtoma

Top 3.94%

                Amphibians      Birds Freshwater fish   Mammals     Plants  Reptiles
Amphibians      1.00000000 0.10976019      0.07313933 0.1665817 0.14020769 0.1532886
Birds           0.10976019 1.00000000      0.08673298 0.1280185 0.13937816 0.1598971
Freshwater fish 0.07313933 0.08673298      1.00000000 0.0691273 0.08017331 0.0798534
Mammals         0.16658172 0.12801850      0.06912730 1.0000000 0.18084051 0.1759870
Plants          0.14020769 0.13937816      0.08017331 0.1808405 1.00000000 0.1862069
Reptiles        0.15328863 0.15989709      0.07985340 0.1759870 0.18620690 1.0000000

jlehtoma

library(rvest)
library(stringr)
library(tidyverse)

base_url <- "http://www.metsakartat.fi/"

get_zip <- function(x) {
  message("Downloading ", x, "...")
  download.file(x, basename(x), "internal")
  return(invisible(TRUE))

jlehtoma

# panel.smooth function is built in.
# panel_cor puts correlation in upper panels, size proportional to correlation
panel_cor <- function(x, y, digits=2, prefix="", cex.cor, ...) {
  usr <- par("usr"); on.exit(par(usr))
  par(usr = c(0, 1, 0, 1))
  r <- abs(cor(x, y))
  txt <- format(c(r, 0.123456789), digits = digits)[1]
  txt <- paste(prefix, txt, sep = "")
  if (missing(cex.cor)) cex.cor <- 0.8/strwidth(txt)
  text(0.5, 0.5, txt, cex = cex.cor * r)

jlehtoma

-- Start of simulation at: 13:18:36 -- 


 demand file used: demand.in1
 region file used: region1.fil.asc
 number of cover types: 22
 number of regions: 1
 number of factors in 1 equation: 17
 total number of factors: 23
 number of demand types: 5