Создайте тепловую карту с распределением значений атрибутов в R (не плотность тепловой карты)

Я открыт для других подходов, но подход Каца к Помимо «Газировки, газировки или колы» описан здесь и использует следующие пакеты: fields, maps, mapproj, plyr, RANN, RColorBrewer, Scales и почтовый индекс. Его подход основан на сглаживании k-ближайших соседей ядром Гаусса. Сначала он определяет расстояние для каждого местоположения t на карте до всех наблюдений, а затем использует взвешенную по расстоянию оценку для p(x=1|t) (вероятность того, что x 1 зависит от местоположения). Формула находится здесь.

Если я правильно понимаю, создание такой карты в R включает в себя следующие шаги:

1. Создайте сетку, покрывающую всю область шейп-файла (назовем точки сетки t). Я попробовал этот подход с использованием polygrid, но пока не удалось. Код ниже.
2. Для каждого t рассчитайте расстояние до всех наблюдений (или просто найдите k ближайших точек и рассчитайте расстояние для этого подмножества)
3. рассчитать p(x=1|t) по формуле, определенной здесь
4. построить все t с соответствующей цветовой шкалой в диапазоне от 0 до 1

Вот несколько пример данных и два конкретных вопроса. Во-первых, как решить мою проблему с шагом 1? Как показывает вторая карта ниже, мой текущий подход терпит неудачу. Это явный вопрос реализации R, и как только он будет решен, я смогу выполнить другие шаги. Во-вторых, это правильный подход или вы могли бы предложить другой способ создания тепловой карты с распределением значений атрибутов?

загружать библиотеки и открывать шейп-файлы и пакеты

# set path
path = PATH   # CHANGE THIS!!
# load libraries
library("stringr")
library("rgdal")
library("maptools")
library("maps")
library("RANN")
library("fields")
library("plyr")
library("geoR")
library("ggplot2")

# open shapefile
map.proj          = CRS(" +proj=lcc +lat_1=40.66666666666666 +lat_2=41.03333333333333 +lat_0=40.16666666666666 +lon_0=-74 +x_0=300000 +y_0=0 +datum=NAD83 +units=us-ft +no_defs +ellps=GRS80 +towgs84=0,0,0")
proj4.longlat=CRS("+proj=longlat +ellps=GRS80")
shape = readShapeSpatial(str_c(path,"test-shape"),proj4string=map.proj)
shape = spTransform(shape, proj4.longlat)
# open data
df=readRDS(str_c(path,"df.rds"))

графические данные

# plot shapefile with points
par (mfrow=c(1,1),mar=c(0,0,0,0), cex=0.8, cex.lab=0.8, cex.main=0.8, mgp=c(1.2,0.15,0), cex.axis=0.7, tck=-0.02,bg = "white")
plot(shape@bbox[1,],shape@bbox[2,],type='n',asp=1,axes=FALSE,xlab="",ylab="")
with(subset(df,attr==0),points(lon,lat,pch=20,col="#303030",bg="#303030",cex=0.4))
with(subset(df,attr==1),points(lon,lat,pch=20,col="#E16A3F",bg="#E16A3F",cex=0.4))
plot(shape,add=TRUE,border="black",lwd=0.2)

1) Построить сетку, покрывающую всю область шейп-файла

# get the bounding box for ROI an convert to a list
bboxROI = apply(bbox(shape), 1, as.list)
# create a sequence from min(x) to max(x) in each dimension
seqs = lapply(bboxROI, function(x) seq(x$min, x$max, by= 0.001))
# rename to xgrid and ygrid
names(seqs) <- c('xgrid','ygrid')
# get borders of entire SpatialPolygonsDataFrame
borders = rbind.fill.matrix(llply(shape@polygons,function(p1) {
    rbind.fill.matrix(llply(p1@Polygons,function(p2) p2@coords))
    }))
# create grid
thegrid = do.call(polygrid,c(seqs, borders = list(borders)))
# add grid points to previous plot
points(thegrid[,1],thegrid[,2],pch=20,col="#33333333",bg="#33333333",cex=0.4)