R语言实战：用sf和ggplot2绘制带比例尺和指北针的专业地图（附完整代码）

R语言地理信息可视化实战：从数据到专业地图的完整指南

地理信息数据可视化是科研和商业分析中不可或缺的一环。无论是环境监测、城市规划还是流行病学研究，将空间数据转化为直观的地图都能极大提升数据洞察力。本文将手把手教你使用R语言中的sf和ggplot2生态系统，制作符合学术出版标准的专业地图，包含比例尺、指北针等必备元素。

1. 环境准备与数据导入

在开始绘制地图前，我们需要搭建合适的工作环境并导入必要的数据。R语言在地理信息处理领域有着丰富的工具链，其中sf包提供了简单易用的空间数据处理接口，而ggplot2则是数据可视化的瑞士军刀。

首先安装必要的R包：

install.packages(c("sf", "ggplot2", "ggspatial", "cowplot", "colorspace"))

接下来导入这些库并加载数据。假设我们有一份包含中国各省PM2.5浓度数据的CSV文件，其中包含地理信息字段：

library(sf) library(ggplot2) library(ggspatial) library(cowplot) library(colorspace) # 读取污染物数据 pm25_data <- read.csv("pollution_data.csv", encoding = "UTF-8") pm25_sf <- st_as_sf(pm25_data, wkt = "geometry", crs = 4326) # 读取中国省级行政区划数据 china_map <- st_read("china_provinces.geojson") # 设置合适的坐标参考系统(CRS) st_crs(pm25_sf) <- 4326 # WGS84坐标系 china_map <- st_transform(china_map, crs = 4326)

提示：在实际项目中，建议使用st_crs()检查数据的坐标参考系统，确保所有空间数据使用相同的CRS，这是避免地图变形和位置错误的关键步骤。

2. 构建基础地图框架

有了干净的数据后，我们可以开始构建地图的基础框架。ggplot2采用图层叠加的语法，这使得地图构建过程既灵活又直观。

base_map <- ggplot() + geom_sf(data = china_map, fill = "white", color = "gray60", size = 0.3) + geom_sf(data = pm25_sf, aes(color = PM25), size = 1.5) + scale_color_continuous_sequential( palette = "YlOrRd", rev = TRUE, name = expression('PM'[2.5]*' (μg/m³)') ) + theme_minimal() + theme( panel.grid = element_blank(), axis.text = element_blank(), axis.title = element_blank() )

这个基础地图已经展示了PM2.5的空间分布，但还缺少专业地图应有的元素。我们可以通过调整几个关键参数来优化视觉效果：

• 颜色标度：使用scale_color_*系列函数控制颜色映射
• 主题设置：通过theme()调整背景、网格线等非数据元素
• 坐标系统：使用coord_sf()控制地图的投影方式和显示范围

3. 添加专业地图元素

学术和专业用途的地图需要包含比例尺、指北针等标准元素，这些可以通过ggspatial包轻松实现。

3.1 比例尺与指北针

professional_map <- base_map + annotation_scale( location = "bl", # 左下角 width_hint = 0.3, # 比例尺宽度占图幅比例 style = "ticks", # 刻度线样式 text_cex = 0.8 # 文字大小 ) + annotation_north_arrow( location = "tl", # 左上角 which_north = "true", # 指向地理北极 style = north_arrow_nautical( fill = c("black", "white"), line_col = "black" ), height = unit(1.5, "cm"), width = unit(1.5, "cm") ) + coord_sf( xlim = c(73, 135), # 经度范围 ylim = c(18, 54), # 纬度范围 crs = 4326 # WGS84坐标系 )

3.2 图例与标注优化

专业地图的图例需要清晰传达信息：

professional_map <- professional_map + guides( color = guide_colorbar( barwidth = unit(3, "cm"), barheight = unit(0.3, "cm"), title.position = "top", title.hjust = 0.5 ) ) + labs( title = "中国PM2.5浓度空间分布", caption = "数据来源：国家环境监测中心 | 制图：R语言sf包" ) + theme( legend.position = "bottom", plot.title = element_text(hjust = 0.5, face = "bold"), plot.caption = element_text(size = 8, color = "gray50") )

4. 高级技巧：多图组合与输出

有时我们需要在主图旁添加局部放大图或补充信息。cowplot包提供了灵活的图形组合功能。

4.1 创建局部放大图

# 创建南海区域放大图 south_china_inset <- ggplot() + geom_sf(data = china_map, fill = "white", color = "gray60", size = 0.2) + coord_sf( xlim = c(105, 125), ylim = c(3, 25), crs = 4326 ) + theme_void() + theme( panel.border = element_rect(fill = NA, color = "black", size = 0.5) )

4.2 使用cowplot组合图形

final_map <- ggdraw() + draw_plot(professional_map) + draw_plot( south_china_inset, x = 0.78, y = 0.12, # 位置参数 width = 0.2, height = 0.3 # 大小参数 )

4.3 高质量输出

最后，我们需要将地图导出为适合出版的格式：

ggsave( "china_pm25_map.png", plot = final_map, device = "png", width = 10, # 英寸 height = 7, dpi = 300, # 打印分辨率 bg = "white" )

对于学术出版，还可以考虑PDF或SVG矢量格式：

ggsave( "china_pm25_map.pdf", plot = final_map, device = cairo_pdf, # 保持中文字体 width = 10, height = 7 )

5. 常见问题与解决方案

在实际操作中，可能会遇到各种技术挑战。以下是几个常见问题及其解决方法：

5.1 中文显示问题

当地图中包含中文标注时，可能会遇到乱码问题。解决方案是：

# 设置图形设备支持中文 par(family = "SimHei") # Windows系统 # 或 par(family = "Songti SC") # Mac系统 # 或者在ggplot2主题中设置 theme_update( text = element_text(family = "SimSun") )

5.2 投影变形处理

不同的地图投影会导致不同程度的形变。中国地区常用的投影包括：

转换投影示例：

china_map_albers <- st_transform( china_map, crs = "+proj=aea +lat_1=25 +lat_2=47 +lat_0=30 +lon_0=105" )

5.3 大数据量优化

处理省级以下的高精度地图数据时，可能会遇到性能问题。可以考虑：

• 使用st_simplify()简化几何图形
• 在QGIS中预处理数据，减少顶点数量
• 使用rmapshaper包中的ms_simplify()方法

library(rmapshaper) china_simplified <- ms_simplify(china_map, keep = 0.05) # 保留5%的顶点

6. 扩展应用：交互式地图与自动化报告

基础静态地图满足出版需求后，我们可以进一步探索交互式可视化：

6.1 使用leaflet创建交互地图

library(leaflet) library(viridis) leaflet(data = pm25_sf) %>% addProviderTiles(providers$CartoDB.Positron) %>% addPolygons( fillColor = ~colorQuantile("YlOrRd", PM25)(PM25), weight = 1, opacity = 1, color = "white", fillOpacity = 0.7, label = ~paste0(Province, ": ", round(PM25, 1), " μg/m³") ) %>% addLegend( position = "bottomright", pal = colorQuantile("YlOrRd", pm25_sf$PM25), values = ~PM25, title = "PM2.5浓度分位数" )

6.2 自动化报告生成

将地图制作流程封装为函数，结合R Markdown实现自动化报告：

generate_pollution_report <- function(data_path, output_path) { # 读取数据 pm_data <- read.csv(data_path) pm_sf <- st_as_sf(pm_data, wkt = "geometry") # 生成地图 report_map <- ggplot() + geom_sf(data = china_map, fill = "white", color = "gray60") + geom_sf(data = pm_sf, aes(fill = PM25), color = NA) + scale_fill_viridis_c(option = "magma") + theme_void() # 保存结果 ggsave(file.path(output_path, "pollution_map.png"), report_map) # 返回地图对象 return(report_map) }

在R Markdown文档中调用：

```{r} # 在R Markdown中调用函数 report_map <- generate_pollution_report("data/pollution.csv", "output") ```

掌握这些技能后，你将能够高效地处理各种地理信息可视化需求，从简单的教学演示到复杂的科研出版图表。R语言丰富的地理信息处理生态系统，配合可重复的研究流程，能够显著提升空间数据分析的效率和质量。