使用-Streamlit-和-Python-展示飙升的野火计数-一种强大的方法

使用 Streamlit 和 Python 展示飙升的野火计数：一种强大的方法

原文链接

CL-415 在行动（在意大利）。图片由马腾·维斯瑟提供 – 维基共享资源

Python 的 Streamlit 在创建来自 GIS 数据集的交互式地图方面非常出色。

允许观众输入的交互式地图可用于更深入的分析和讲故事。

Python 的 Streamlit 是这项工作的正确工具。它可以与 pandas 一起使用，以便轻松创建和操作数据框。

让我们用一个关于一个非常紧迫的问题——看似野火升级的详细数据集来测试一下。自然资源加拿大网站上有一个非常好的公共野火数据集。

使用这个详细的数据集，让我们采取模块化的数据分析方法，并创建：

• 一个显示一段时间内加拿大所有森林火灾的静态地图。

• 一个允许用户选择较短时间段（例如，按年份的下拉菜单）以查看更详细数据的交互式地图。

• 一个显示更多细粒度信息的条形图，显示了省级层面的火灾数量。

Python 的 Streamlit 能为我们做这件事吗？

让我们试试看！

问题

在过去 10-15 年中，北美地区的森林火灾尤其具有破坏性。最近的加州火灾加剧了公众对这一日益增长的担忧的认识。

对于我们加拿大人来说，我们的最近几个夏天通常是在我们的露台上凝视着烟雾弥漫的雾霾，想知道风是否会转向，使我们的社区陷入危险。

左图为森林火灾烟雾，右图为正常日子（作者摄影）

在对话中经常出现的一个问题是，与过去相比，野火情况变得有多糟糕？

为了更好地回答这个问题，并凭借一个良好的数据集，我们可以创建一系列视觉图表，讲述加拿大（我的家乡）森林火灾随时间变化的数据故事（例如，按年份）。

我们可以创建这些视觉图表，如地图和图表，以分析和了解情况从那时到现在的变化。

数据集

为了展示森林火灾的月度影响，我们可以使用数据集创建一系列数据可视化，显示森林火灾随时间的变化。

加拿大自然资源部（加拿大政府的一个部门）在过去 75 年间拥有一个关于野火的非常详细公开数据集。

所有这些加拿大的历史火灾数据都存储在这里。

在网站上，我们可以向下滚动以查看和下载：

对于这个教程，我们可以下载包含超过 200 公顷火灾的数据集（作者截图）

下载文件后，我们首先需要解压它。

解压后，我们可以选择名为 NFDB_point_20240613_large_fires.txtThe 的文件。

选择大型火灾 CSV 文件。（作者截图）

此文件是一个逗号分隔的文件（CSV）。为了便于使用，我将我的文件重命名为 NFDB_large_fires.csv。

该数据集中的每条记录代表一次独特的森林火灾，并包含几个关键字段：

• YEAR：火灾发生的年份。

• LATITUDE 和 LONGITUDE：火灾的地理坐标。

• FIRE_ID：每个火灾的唯一标识符。

• SIZE_HA：火灾的大小，单位为公顷。

• FIRENAME：火灾的给定名称或最近的地理特征名称。

• REP_DATE：火灾首次报告的日期。

• OUT_DATE：火灾被扑灭的日期（如果有的话）。

• CAUSE：火灾报告的原因（例如，自然原因如闪电或人为活动）。

了解可用的字段现在可以帮助我们提出一些关于数据的问题。

我们想要回答的问题

现在我们可以针对该数据集可以回答的问题提出一些问题：

1. 加拿大野火发生在哪里？

2. 加拿大每年有多少起火灾？

3. 随着时间的推移，火灾数量是否逐年增加？

为了热身，让我们先创建一个简单的静态地图，显示加拿大 2023 年的火灾分布。

使用 Python 创建静态地图

首先，我们可以使用 Python 创建一个 静态地图，具体使用的是 pydeck 库。

这里的目标是生成一个显示加拿大 2023 年森林火灾的地图，并将其保存为可以在网页浏览器中查看的 HTML 文件。

注意：本教程中所有代码和数据文件均可在 Github 上找到：这里

1. 加载数据和过滤数据

在这里，我们使用 pandas 库加载包含历史森林火灾数据的集合：

import pandas as pd
import pydeck as pdk

# Load the forest fire data
fire_data_path = 'NFDB_large_fires.csv'
df_fires = pd.read_csv(fire_data_path)

# Filter data for the year 2023
df_fires_2023 = df_fires[df_fires['YEAR'] == 2023]

文件 NFDB_large_fires.csv 被读取到名为 df_fires 的 DataFrame 中。这个数据集可能包含诸如火灾位置（纬度，经度）、发生年份、火灾 ID 和公顷大小等信息。

由于我们只对可视化 2023 年发生的森林火灾感兴趣，我们过滤 DataFrame 以包括 YEAR 列等于 2023 的行。这个过滤后的 DataFrame，df_fires_2023，将用于在地图上叠加数据点。

2. 定义 PyDeck 层

数字化设计地图需要创建在地图上显示的层。对于这个地图，我们需要为我们的点数据创建一个层。地图上的每场火灾都有一个经度和纬度，定义了地图上火灾的确切位置：

layer = pdk.Layer(
    "ScatterplotLayer",
    data=df_fires_2023,
    get_position='[LONGITUDE, LATITUDE]',
    get_radius=10000,
    get_color=[255, 0, 0],
    pickable=True
)

此代码块使用 pydeck.Layer 创建了一个 scatterplot 层。每场森林火灾在地图上用一个红色圆形标记表示。

• "ScatterplotLayer"：指定要渲染的层类型。在这里，我们使用散点图层来显示点。

• data=df_fires_2023：过滤后的 DataFrame 作为数据源传递。

• get_position='[LONGITUDE, LATITUDE]'：指定每个火灾点的坐标，使用 DataFrame 中的 LONGITUDE 和 LATITUDE 列。

• get_radius=10000：设置每个标记的半径（米）。

• get_color=[255, 0, 0]：以 RGB 格式定义标记的颜色。[255, 0, 0] 对应红色。

• pickable=True：启用与点的交互，允许当用户将鼠标悬停在标记上时显示工具提示或弹出信息。

3. 设置地图的视口

我们需要为地图视图的初始加载设置经度和纬度点：

view_state = pdk.ViewState(
    latitude=df_fires_2023['LATITUDE'].mean(),
    longitude=df_fires_2023['LONGITUDE'].mean(),
    zoom=3,
    pitch=0
)

view_state 定义了地图加载时的初始视图。它指定了相机的 纬度、经度、缩放级别 和 俯仰角（倾斜）。

• latitude 和 longitude：地图中心设置为过滤数据集中所有火灾点的平均纬度和经度。

• zoom=3：设置缩放级别，确保地图覆盖加拿大的大部分地区。

• pitch=0：地图的俯仰角或倾斜角度设置为 0，表示视图直接在上空。

4. 渲染和保存地图

r = pdk.Deck(layers=[layer], initial_view_state=view_state, tooltip={"text": "Location: {FIRENAME}nSize: {SIZE_HA} ha"})

html_file_path = "forest_fires_2023_map.html"
r.to_html(html_file_path)

这行代码创建了一个 Deck 对象，它结合了散点图层（layer）和视口（view_state）。此外，定义了一个 tooltip，当用户将鼠标悬停在地图上的点时显示信息。tooltip 显示：

• 位置：火灾的唯一标识符。

• 大小：火灾的面积（公顷）。

最后，使用 r.to_html() 将地图保存为 HTML 文件。生成的文件 forest_fires_2023_map.html 包含一个功能齐全的静态地图，可以在任何网络浏览器中打开。这使用户能够交互式地探索森林火灾数据，而无需 Python 或 PyDeck。

详细结果：

生成的静态地图作为 HTML 查看。作者截图

好的，看起来不错。2023 年似乎有很多火灾。然而，我们对此数据没有更多的背景信息。例如：

• 这个数字比其他年份多还是少？

• 这是火灾的正常分布吗？

因此，以这个静态地图为基础，让我们尝试将 PyDeck 与Streamlit集成，以允许动态交互。例如，我们可以提供一个包含多个年份数据的下拉菜单。

使用 Streamlit 创建动态地图

对于这个阶段，让我们首先允许用户从下拉菜单中选择一个特定的年份。然后，该年份的火灾将在地图上可视化。

使用Streamlit，我们可以创建一个动态网络应用程序，使用户能够从下拉菜单中选择一个特定的年份，并在交互式地图上可视化相应的森林火灾。

让我们一步一步地实现这个过程！

1. 额外库

我们需要向我们的代码中添加 2 个库：

import streamlit as st
import plotly.express as px

• streamlit：允许我们创建交互式网络应用程序

• plotly.express：允许我们创建交互式图表和图形。

2. 添加年份选择下拉菜单

为了交互性，让我们添加一个下拉菜单，允许用户从一系列年份中选择一个年份。对于这个教程，让我们设置年份范围从 2000 年到 2023 年：

# Dropdown menu for year selection
year_selected = st.selectbox("Select Year", options=list(range(2000, 2023)))

这行 Python 代码使用st.selectbox创建下拉菜单，允许用户从 2000 年到 2023 年中选择一个特定的年份。所选年份存储在变量year_selected中。

3. 根据所选年份过滤数据

一旦用户选择了一个年份，我们就可以过滤 pandas 数据框，只使用该年的数据：

# Filter data to include only fires for the selected year, replace NaN with None
df_fires_selected = df_fires[df_fires['YEAR'] == year_selected].copy()
df_fires_selected = df_fires_selected.where(pd.notnull(df_fires_selected), None)

YEAR列与所选年份匹配。数据集中的任何NaN值都替换为None，以确保在渲染地图时正确的 JSON 格式。

4. 创建 PyDeck 图层

那些以前使用过 GIS 数据的人知道我们在地图上以层的形式呈现数据。我们只有一层数据要添加到我们的地图中，即火灾点：

# Create the PyDeck layer for fire points
layer = pdk.Layer(
    "ScatterplotLayer",
    data=df_fires_selected,
    get_position='[LONGITUDE, LATITUDE]',
    get_radius=15000,
    get_color=[255, 0, 0],
    pickable=True
)

使用pydeck.Layer创建散点图层，用于在地图上显示火灾。关键参数包括：

• "ScatterplotLayer"：指定图层类型。

• data=df_fires_selected：使用所选年份的过滤数据集。

• get_position='[LONGITUDE, LATITUDE]'：指定每个火灾点的坐标。

• get_radius=15000：将标记半径设置为 15,000 米，以获得更好的可见性。

• get_color=[255, 0, 0]：将标记颜色设置为红色。

• pickable=True：启用交互，允许在悬停时显示点的信息提示。

5. 设置地图的视口

视口为我们提供了一个查看地图基础层的窗口。对于我们的地图，我们希望将其中心对准加拿大，以便我们可以查看特定年份的所有火灾：

# Set the viewport to show all of Canada
view_state = pdk.ViewState(
    latitude=60.0, longitude=-100.0, zoom=2.6, pitch=0
)

视口使用pdk.ViewState配置，将地图中心对准加拿大，缩放级别为 2.6，以显示整个国家。

6. 创建 Pydeck Deck.gl 地图

现在我们已经准备好了火灾数据层，并将视图设置为加拿大，我们可以加载基础地图：

# Create the deck.gl map
map_deck = pdk.Deck(
    layers=[layer],
    initial_view_state=view_state,
    map_style="mapbox://styles/mapbox/satellite-v9",
    tooltip={"text": "Province: {SRC_AGENCY} Date: {MONTH}/{DAY} Size: {SIZE_HA} ha"}
)

• pdk.Deck：对象用于渲染地图。

• layers：从我们的火灾数据层加载数据

• map_style：设置为使用 Mapbox 样式的卫星视图。如果你想更改基础地图的类型，你可以在这里进行更改。

• tool_tip：显示省份、日期和每场火灾的大小（当用户将鼠标悬停在标记上时）

地图部分就到这里！现在让我们添加一个柱状图来讲述更详细的故事。

7. 按省份生成火灾计数柱状图

对于柱状图，让我们按省份分解所选当前年份的火灾数据：

# Generate fire counts by province
province_fire_counts_df = df_fires_selected['SRC_AGENCY'].value_counts().reset_index()
province_fire_counts_df.columns = ['SRC_AGENCY', 'Fire Count']

# Plot the bar chart using Plotly
fig = px.bar(
    province_fire_counts_df,
    orientation='h',
    x='Fire Count',
    y='SRC_AGENCY',
    labels={'Fire Count': 'Number of Fires', 'SRC_AGENCY': 'Province'},
    color_discrete_sequence=['red']
)

# Display map (70%) and bar chart (30%) side by side with custom width
col1, col2 = st.columns([7, 3])
with col1:
    st.pydeck_chart(map_deck)
with col2:
    st.plotly_chart(fig, use_container_width=True)

该柱状图使用 Plotly 通过报告机构（省份）可视化火灾数量。

柱状图配置为显示水平柱状图，其中火灾数量位于 x 轴，省份代码位于 y 轴。

柱状图的颜色为红色，以匹配地图标记的红色主题。最后，我们添加了代码（st.columns）将地图与图表并排放置。这种布局确保了干净直观的用户界面。

完美！

8. 显示总火灾计数

最后，在地图和图表下方，为了提供一些额外的背景信息，让我们添加特定年份的火灾总数：

# Display total fire count below the map and chart
total_fire_count = df_fires_selected.shape[0]
st.markdown(f"### Total Fires for the Year {year_selected}: <span style='color:red; font-weight:bold;'>{total_fire_count}</span>", unsafe_allow_html=True)

火灾计数以粗体红色文字显示，以强调。

我们美丽的成果：

在浏览器中查看的交互式 Streamlit 地图（作者截图）

哇！这确实看起来很棒。用户可以从下拉菜单中选择年份，地图、柱状图和总数值都会根据所选年份更新。

现在如果我们逐年查看图表和数字，这个数据集显示 2023 年是加拿大火灾真正糟糕的一年。

为了验证这一观察结果，我们可以从这个数据集中创建一个图表，该图表计算每年的火灾总数：

显示 1945-2023 年火灾总数的时间序列折线图（作者截图）

此图表显示 2023 年是加拿大历史上最糟糕的野火年。

总计 923 场火灾（大于 200 公顷）超过了 1989 年创下的 775 场旧记录。

备注：此图表的代码也可在 GitHub 上找到（在此）

就这样，故事结束了！

总结…

在这次练习之前，我不是一个Streamlit专家，我发现创建一个交互式的 Python Streamlit仪表板比预期的要简单得多。

如果你遵循本文中概述的模块化方法，你可以使用任何包含 GIS 数据的 CSV 文件来应用它。

值得注意的是，我原本预计需要使用 JSON 或 geoJSON 文件来准确地在地图上显示点（即按国家和按省份）。由于我们的数据集中包含一个“省份”字段，这极大地简化了数据的分类，特别是对于柱状图。

尝试这段代码！并且请留下评论——让我知道效果如何！

GITHUB 仓库：这里

注意：本文中使用的火灾点数据集由加拿大开放政府许可下的 CWFIS 数据集分发。更多详情可以在这里找到这里。

---

如果这种类型的故事正合你的胃口，并且你希望支持我作为一位作家，请订阅我的Substack。

订阅深度数据

在 Substack 上，我发布的是双周通讯和文章，这些内容在其他我创作内容的平台上是找不到的。