update zadanie_9.R

zadania/zadanie_9.R

@@ -1,6 +1,5 @@
 library("rstac")
 library("terra")
-library("raster")
 library("tidyr")
 library("ggplot2")
 
@@ -17,11 +16,12 @@ stac_source |>
 
 unlist(lapply(obrazy$features, \(x) x$properties$"eo:cloud_cover"))
 
+idx = 1
 df = items_as_sf(obrazy)
-plot(sf::st_geometry(df)[1], main = "Zasięg sceny", axes = TRUE)
+plot(sf::st_geometry(df)[idx], main = "Zasięg sceny", axes = TRUE)
 
 obrazy |>
-  items_select(1) |>
+  items_select(idx) |>
   assets_select(asset_names = c("blue", "green", "red", "nir")) |>
   assets_url() -> urls
 urls
@@ -33,55 +33,56 @@ for (i in seq_along(urls)) {
   download.file(urls[i], rastry[i], mode = "wb")
 }
 
-
 # sprawdź metadane rastrów
 r <- rast(rastry)
 names(r) <- c("Blue", "Green", "NIR", "Red")
 r
 
-#przygotuj wizualizację RGB
+# usunięcie wartości odstających
+r <- clamp(r, lower = 0, upper = 1, values = FALSE)
+
+# przygotuj wizualizację RGB
 plotRGB(r, r=4, g=2, b=1, stretch="lin")
 
-# pobierz losową próbę 10 tys. punktów dla kanału niebieskiego, 
-# zielonego, czerwonego oraz bliskiej podczerwieni i zaprezentuj statystyki opisowe oraz porównaj histogramy
+# pobierz losową próbę 10 tys. punktów dla kanału niebieskiego,
+# zielonego, czerwonego oraz bliskiej podczerwieni i zaprezentuj statystyki
+# opisowe oraz porównaj histogramy
 
 set.seed(42)
 sample_size <- 10000
 sample_points <- spatSample(r, size=sample_size, method="random", as.df=TRUE, na.rm=TRUE)
 
-
 stats <- sample_points |> summary()
 print(stats)
 
-sample_points_long <- sample_points %>%
+sample_points_long <- sample_points |>
   pivot_longer(cols = everything(), names_to = "Channel", values_to = "Value")
 
 ggplot(sample_points_long, aes(x=Value, fill=Channel)) +
   geom_histogram(bins=30, alpha = 1, position="identity") +
-  facet_wrap(~ Channel, scales = "fixed") +
+  facet_wrap(vars(Channel), scales = "fixed") +
   theme_minimal() +
   labs(title="Histogramy kanałów rastrowych", x="Wartość", y="Częstotliwość")
 
-# dodatkowo dla kanału czerwonego oraz bliskiej podczerwieni wykonaj 
+# dodatkowo dla kanału czerwonego oraz bliskiej podczerwieni wykonaj
 # wykres rozrzutu oraz oblicz współczynnik korelacji Pearsona
 
 ggplot(sample_points, aes(x=Red, y=NIR)) +
     geom_point(alpha=0.5, color="blue") +
     geom_abline(intercept = 0, slope = 1) +
     theme_minimal() +
-    labs(title="Wykres rozrzutu dla kanałów czerwonego i bliskiej podczerwieni", x="Czerwony", y="Bliska podczerwień")
+    labs(title="Wykres rozrzutu dla kanałów czerwonego i bliskiej podczerwieni",
+         x="Czerwony", y="Bliska podczerwień")
 
 correlation <- cor(sample_points$Red, sample_points$NIR, method="pearson")
+correlation <- round(correlation, 3)
 print(paste("Współczynnik korelacji Pearsona:", correlation))
 
-#oblicz znormalizowany różnicowy wskaźnik wegetacji (NDVI) i przygotuj wizualizację
-
-ndvi <- (r[[3]] - r[[4]])/(r[[3]]+r[[4]])
-ndvi[ndvi < -1] <- -1
-ndvi[ndvi > 1] <- 1
+# oblicz znormalizowany różnicowy wskaźnik wegetacji (NDVI) i przygotuj wizualizację
 
+ndvi <- (r[[3]] - r[[4]]) / (r[[3]] + r[[4]])
 
 # Wizualizacja NDVI
 
 colors <- colorRampPalette(c("red", "yellow", "darkgreen"))
-plot(ndvi, main="Znormalizowany Różnicowy Wskaźnik Wegetacji (NDVI)", col = colors(100))
+plot(ndvi, main="NDVI", col = colors(100))