Используя adehabitathr, я создал SpatialPolygonsDataFrame, который содержит несколько полигонов, каждый из которых соответствует определенному c животному ($ id).
`class : SpatialPolygonsDataFrame
features : 73
extent : 429384, 455814.9, 3663493, 3694857 (xmin, xmax, ymin, ymax)
coord. ref. : +proj=utm +zone=17 +datum=WGS84 +units=m +no_defs +ellps=WGS84 +towgs84=0,0,0
variables : 6
# A tibble: 73 x 6
id area Sex Opossum Season Habitat
<fct> <dbl> <fct> <fct> <fct> <fct>
1 B18.301 1039555. M 301 B Riparian
2 B18.309 3276402. M 309 B Pine
3 B18.313 563898. F 313 B Riparian
4 B18.346 433070. M 346 B Bottomland
5 B18.355 2959367. M 355 B Bottomland
6 B18.390 3418402. M 390 B Wetland
7 B18.392 740327. M 392 B Bottomland
8 B18.394 734077. M 394 B Bottomland
9 B18.396 788242. F 396 B Pine
10 B18.399 387759. F 399 B Bottomland
# ... with 63 more rows`
Используя соответствующий пространственный полигон каждого животного в качестве маски, я хотел бы создать пространственный точечный кадр данных, который состоит из случайных точек. Количество случайных точек в каждом пространственном полигоне должно определяться количеством исходных точек (используемых для создания SpatialPolygonsDataFrame), которые перекрывают пространственный многоугольник.
Исходный элемент SpatialPointsDataFrame выглядит следующим образом: (обратите внимание на соответствующий столбец идентификатора)
class : SpatialPointsDataFrame
features : 9859
extent : 429384, 455814.9, 3662961, 3694857 (xmin, xmax, ymin, ymax)
coord. ref. : +proj=utm +zone=17 +datum=WGS84 +units=m +no_defs +ellps=WGS84 +towgs84=0,0,0
variables : 30
# A tibble: 9,859 x 30
Opossum id datetim X Y Latitud Longitd sep1 B_NB Year Season M_F sit_typ Site sep2 collrID Dt_Dply Mrt_Drp Cllr_sw D_M_D_S
<fct> <fct> <fct> <dbl> <dbl> <dbl> <dbl> <fct> <fct> <int> <fct> <fct> <fct> <fct> <fct> <int> <fct> <int> <int> <fct>
1 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
2 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
3 301 B18.301 2018-0~ 4.39e5 3.69e6 33.3 -81.7 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
4 301 B18.301 2018-0~ 4.39e5 3.69e6 33.3 -81.7 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
5 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
6 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
7 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
8 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
9 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
10 301 B18.301 2018-0~ 4.40e5 3.69e6 33.3 -81.6 / B 18 B18 M Ripari~ R4 / 40967 2018-0~ 1 0 2018-0~
# ... with 9,849 more rows, and 10 more variables: sep3 <fct>, Altitud <int>, Speed <dbl>, Hdop <dbl>, Nm_f_st <int>, Fix_tim <int>, X2D_3D <int>,