本篇用以总结参赛以来各种技术实现及思路。

别管对手是否强大，动手去做，说不定有奇迹呢！

---

作品简介

Try it! (offline)

包含数据，加载有点慢
MagicGraph

参赛思考

队伍

队伍名称纠结了我半天，想想用R这么学术的软件做可视化交互，必是要折腾一番，本着内心小小的Geeker精神，外加英文代号Matt，就这么凑了个MGeek.

赛题

选了个跟自己专业对口的，哈！

空气质量与大气环境

涉及数据

• 区域内空气质量的实时监测数据，以及监测点的地理坐标;
• 当地气象局提供的气压、温度、湿度、降水与风力风向等数据，以及信息采集点的地理坐标;

呈现内容

空气质量与大气环境的关系
以时间流逝的方式，动态展现区域内空气质量变化。比如在地图图层上，以颜色表示空气质量、以箭头方向和粗细表示风力风向、以观测点位置的动态图标表示温度和湿度等;

空气污染梯度和区域污染估计
通过曲线拟合，在地图上，绘制类似等高线型的空气污染梯度图，对没有空气质量监测的城市和地区进行空气质量估计;

风和降水对空气污染的帮助
通常由于风和降水的作用，可以显著改善空气质量。通过关联分析，定量的了解给定风力或降水条件下，空气质量会得到多大程度改善，空气质量改善的速度是什么样的;

推断空气污染物来源（高级内容）
通过污染物扩散趋势和梯度，推断污染源发生的地理位置，并在地图上标识;

拟合空气污染与大气环境方程（高级内容）
拟合空气污染物扩散的方程，制作交互式的污染物扩散预测，通过用户输入可改变某地的气象状况，然后动态模拟在设定的空气状况下，污染物扩散的趋势、范围和速度。

作品

使用数据

• 全国县级城市实时天气数据
• 全国风场格点实况数据
• 国控站点监测实时空气污染数据
• 国控空气检测站点分布数据
• 南京市道路卡口车辆监测数据
• 近期Global Forecast System (GFS)数据 United States’ National Weather Service (NWS)获取

作品设计思路

• 污染源排放污染物后随大气活动在环境中扩散，跟踪大气运动轨迹，提供了一个溯流而上的方式。
• 因此现有空气质量监测与大气环境观测体系所提供的数据不仅可以分析污染有多重，还可以通过关联分析推断污染源的位置。
• 结合环境数据、地图位置信息，分析污染来源。

实现方法

工具

• 数据处理
  R、MATLAB、Excel、ArcGIS
• 图像处理
  Adobe Photoshop
• 服务组件
  Docker、Shiny server、Node.js
• 部署
  阿里云ECS

创作方法

1. 展示数据获取及处理
2. R 数据处理
3. Rmarkdown编写展示文档，基于以下组件：
   R Markdown、flexdashboard、ggplot2、Plotly For R、Highcharter、Leaflet For R
4. 动态风场图基于windable项目
5. Shiny server作为Web server，动态编译R markdown文件生成交互页面
6. Docker打包以上组件，部署到阿里云ECS

目录

1. [R可视化工具] 可视化 工具汇总
2. [Plotly] 可视化 Plotly For R
3. [R markdown] 可视化 R markdown
4. [Flexdashboard] 可视化 Flexdashboard
5. [Plotly] 可视化 Plotly For R
6. [Shiny server] 可视化 Shiny server
7. [Leaflet] 可视化 Plotly For R
8. [Highcharter] 可视化 Plotly For R
9. [Docker] 可视化 Plotly For R