Cuaderno 2

Estadísticas agropecuarias por municipio en el Guaviare

Introducción

En el cuaderno anterior se pudo obtener información particular para los grupos de cultivo más importantes para el departamento. Se elige en este caso tubérculos y plátanos como primer grupo, y el segundo corresponde a frutales. Si bien dicha información es relevante, por si sola no es muy útil, es por ello que se hace necesario asociarla a otro tipo de herramientas que permita su interpretación y posterior análisis. Este cuaderno, por tanto, tiene como objetivo, crear mapas que permitan visualizar la producción de dichos grupos de cultivo de acuerdo con los municipios del Guaviare.

Configuración

En esta sección escribimos código para cargar todas las librerias que necesitamos

#library(tidyverse)
library(dplyr)
library(sf)
library(readr)
library(tmap)
library(ggplot2)
library(ggrepel)
library(classInt)

Datos

Cabe resaltar que en el escritorio de trabajo tiene que estar guardada la siguiente información:

1. Un archivo csv con las estadísticas EVA para el grupo de cultivo seleccionado

2. Un shapefile con las municipalidades del Guaviare

3. Un archivo csv con las ciudades de Colombia

Procedemos a leer los archivos por grupo de cultivo obtenidos con el cuaderno 1

(tuberculos_platano = read_csv("F:\\GBI\\GB2\\Ejerciciosr\\Cuaderno2\\guaviare_tuberculos_platano.csv", show_col_types = FALSE))

## # A tibble: 4 × 4
##   COD_MUN MUNICIPIO             GRUPO_CULTIVO         produccion_maxima
##     <dbl> <chr>                 <chr>                             <dbl>
## 1   95025 EL RETORNO            TUBERCULOS Y PLATANOS             23688
## 2   95001 SAN JOSE DEL GUAVIARE TUBERCULOS Y PLATANOS             21984
## 3   95015 CALAMAR               TUBERCULOS Y PLATANOS             13600
## 4   95200 MIRAFLORES            TUBERCULOS Y PLATANOS              6828

Cabe resaltar que ya tenemos una tabla con los objetos espaciales necesarios para hacer el mapa con los municipios de nuestro departamento

munin<-st_read("F:\\GBI\\GB2\\Ejerciciosr\\Cuaderno2\\ADMINISTRATIVO\\MGN_MPIO_POLITICO.shp")

## Reading layer `MGN_MPIO_POLITICO' from data source 
##   `F:\GBI\GB2\Ejerciciosr\Cuaderno2\ADMINISTRATIVO\MGN_MPIO_POLITICO.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 1121 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -81.73562 ymin: -4.229406 xmax: -66.84722 ymax: 13.39473
## Geodetic CRS:  MAGNA-SIRGAS

munin

## Simple feature collection with 1121 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -81.73562 ymin: -4.229406 xmax: -66.84722 ymax: 13.39473
## Geodetic CRS:  MAGNA-SIRGAS
## First 10 features:
##    DPTO_CCDGO MPIO_CCDGO MPIO_CDPMP DPTO_CNMBR  MPIO_CNMBR
## 1          05        001      05001  ANTIOQUIA    MEDELLÍN
## 2          05        002      05002  ANTIOQUIA   ABEJORRAL
## 3          05        004      05004  ANTIOQUIA    ABRIAQUÍ
## 4          05        021      05021  ANTIOQUIA  ALEJANDRÍA
## 5          05        030      05030  ANTIOQUIA       AMAGÁ
## 6          05        031      05031  ANTIOQUIA      AMALFI
## 7          05        034      05034  ANTIOQUIA       ANDES
## 8          05        036      05036  ANTIOQUIA ANGELÓPOLIS
## 9          05        038      05038  ANTIOQUIA   ANGOSTURA
## 10         05        040      05040  ANTIOQUIA       ANORÍ
##                              MPIO_CRSLC MPIO_NAREA MPIO_CSMBL MPIO_VGNC
## 1                                  1965  374.81288          4      2021
## 2                                  1814  507.14109          4      2021
## 3                                  1912  296.89405          4      2021
## 4     Decreto departamental 304 de 1907  128.93215          4      2021
## 5                                  1912   84.13268          4      2021
## 6                                  1843 1209.14802          4      2021
## 7                                  1853  402.46597          4      2021
## 8  Ordenanza 16 del 12 de julio de 1896   81.87630          4      2021
## 9                                  1821  338.34813          4      2021
## 10                                 1821 1413.77572          4      2021
##    MPIO_TIPO Shape_Leng  Shape_Area                       geometry
## 1  MUNICIPIO  1.0325459 0.030605924 MULTIPOLYGON (((-75.66974 6...
## 2  MUNICIPIO  1.1585038 0.041383896 MULTIPOLYGON (((-75.46938 5...
## 3  MUNICIPIO  0.8121832 0.024248255 MULTIPOLYGON (((-76.08351 6...
## 4  MUNICIPIO  0.7051995 0.010534527 MULTIPOLYGON (((-75.0332 6....
## 5  MUNICIPIO  0.4452407 0.006866523 MULTIPOLYGON (((-75.67587 6...
## 6  MUNICIPIO  2.0633596 0.098921310 MULTIPOLYGON (((-74.92268 6...
## 7  MUNICIPIO  1.1469836 0.032816580 MULTIPOLYGON (((-75.86822 5...
## 8  MUNICIPIO  0.4274956 0.006683387 MULTIPOLYGON (((-75.69149 6...
## 9  MUNICIPIO  0.9156706 0.027666958 MULTIPOLYGON (((-75.27173 6...
## 10 MUNICIPIO  1.8476441 0.115706037 MULTIPOLYGON (((-74.90935 7...

mun_gua2021<-dplyr::filter(munin,DPTO_CNMBR == "GUAVIARE")

mun_gua2021

## Simple feature collection with 4 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.66391 ymin: 0.6554126 xmax: -69.99511 ymax: 2.924987
## Geodetic CRS:  MAGNA-SIRGAS
##   DPTO_CCDGO MPIO_CCDGO MPIO_CDPMP DPTO_CNMBR            MPIO_CNMBR
## 1         95        001      95001   GUAVIARE SAN JOSÉ DEL GUAVIARE
## 2         95        015      95015   GUAVIARE               CALAMAR
## 3         95        025      95025   GUAVIARE            EL RETORNO
## 4         95        200      95200   GUAVIARE            MIRAFLORES
##                                MPIO_CRSLC MPIO_NAREA MPIO_CSMBL MPIO_VGNC
## 1 Decreto Nal 1165 del 7 de Junio de 1976   16757.07          4      2021
## 2   Ordenanza 001 del 7 de Agosto de 1992   13069.59          4      2021
## 3   Ordenanza 001 del 7 de Agosto de 1992   12909.12          4      2021
## 4   Ordenanza 001 del 7 de Agosto de 1992   12808.08          4      2021
##   MPIO_TIPO Shape_Leng Shape_Area                       geometry
## 1 MUNICIPIO  14.085782   1.360391 MULTIPOLYGON (((-71.31266 2...
## 2 MUNICIPIO   7.529464   1.061812 MULTIPOLYGON (((-72.6716 2....
## 3 MUNICIPIO  12.315742   1.047240 MULTIPOLYGON (((-72.73135 2...
## 4 MUNICIPIO   7.385424   1.039462 MULTIPOLYGON (((-72.01357 1...

Puesto que solo se necesitan unos cuantos atributos, se procede a seleccionar lo que realmente se necesita de la tabla

mun_gua2021 %>% select(MPIO_CDPMP,MPIO_CNMBR,MPIO_NAREA)->municipios1
municipios1

## Simple feature collection with 4 features and 3 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.66391 ymin: 0.6554126 xmax: -69.99511 ymax: 2.924987
## Geodetic CRS:  MAGNA-SIRGAS
##   MPIO_CDPMP            MPIO_CNMBR MPIO_NAREA                       geometry
## 1      95001 SAN JOSÉ DEL GUAVIARE   16757.07 MULTIPOLYGON (((-71.31266 2...
## 2      95015               CALAMAR   13069.59 MULTIPOLYGON (((-72.6716 2....
## 3      95025            EL RETORNO   12909.12 MULTIPOLYGON (((-72.73135 2...
## 4      95200            MIRAFLORES   12808.08 MULTIPOLYGON (((-72.01357 1...

Antes de continuar, es imprescindible conocer cual es el CRS de los datos obtenidos anteriormente;

st_crs(municipios1)

## Coordinate Reference System:
##   User input: MAGNA-SIRGAS 
##   wkt:
## GEOGCRS["MAGNA-SIRGAS",
##     DATUM["Marco Geocentrico Nacional de Referencia",
##         ELLIPSOID["GRS 1980",6378137,298.257222101,
##             LENGTHUNIT["metre",1]]],
##     PRIMEM["Greenwich",0,
##         ANGLEUNIT["degree",0.0174532925199433]],
##     CS[ellipsoidal,2],
##         AXIS["geodetic latitude (Lat)",north,
##             ORDER[1],
##             ANGLEUNIT["degree",0.0174532925199433]],
##         AXIS["geodetic longitude (Lon)",east,
##             ORDER[2],
##             ANGLEUNIT["degree",0.0174532925199433]],
##     USAGE[
##         SCOPE["Horizontal component of 3D system."],
##         AREA["Colombia - onshore and offshore. Includes San Andres y Providencia, Malpelo Islands, Roncador Bank, Serrana Bank and Serranilla Bank."],
##         BBOX[-4.23,-84.77,15.51,-66.87]],
##     ID["EPSG",4686]]

Ahora procedemos a leer el archivo csv de ciudades

cities<-read_csv("F:\\GBI\\GB2\\Ejerciciosr\\Cuaderno2\\co.csv")

## Rows: 1102 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): city, country, iso2, admin_name, capital
## dbl (4): lat, lng, population, population_proper
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

cities

## # A tibble: 1,102 × 9
##    city           lat   lng country  iso2  admin_name    capital popul…¹ popul…²
##    <chr>        <dbl> <dbl> <chr>    <chr> <chr>         <chr>     <dbl>   <dbl>
##  1 Bogotá        4.61 -74.1 Colombia CO    Bogotá        primary 9464000 7963000
##  2 Medellín      6.24 -75.6 Colombia CO    Antioquia     admin   2529403 2529403
##  3 Cali          3.44 -76.5 Colombia CO    Valle del Ca… admin   2471474 2471474
##  4 Barranquilla 11.0  -74.8 Colombia CO    Atlántico     admin   1274250 1274250
##  5 Cartagena    10.4  -75.5 Colombia CO    Bolívar       admin   1036412 1036412
##  6 Soacha        4.58 -74.2 Colombia CO    Cundinamarca  minor    995268  995268
##  7 Palermo       2.89 -75.4 Colombia CO    Huila         minor    800000  800000
##  8 Cúcuta        7.91 -72.5 Colombia CO    Norte de San… admin    750000  750000
##  9 Soledad      10.9  -74.8 Colombia CO    Atlántico     minor    698852  342556
## 10 Pereira       4.81 -75.7 Colombia CO    Risaralda     admin    590554  590554
## # … with 1,092 more rows, and abbreviated variable names ¹​population,
## #   ²​population_proper

Puesto que la información almacenada no corresponde con objetos espaciales (es una tibble), se debe llevar a cabo el debido proceso para convertirla a dicho formato

sf.cities<-st_as_sf(x=cities,coords = c('lng','lat'))

sf.cities

## Simple feature collection with 1102 features and 7 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: -81.7006 ymin: -4.215 xmax: -67.4858 ymax: 13.3817
## CRS:           NA
## # A tibble: 1,102 × 8
##    city  country iso2  admin…¹ capital popul…² popul…³           geometry
##    <chr> <chr>   <chr> <chr>   <chr>     <dbl>   <dbl>            <POINT>
##  1 Bogo… Colomb… CO    Bogotá  primary 9464000 7963000  (-74.0705 4.6126)
##  2 Mede… Colomb… CO    Antioq… admin   2529403 2529403  (-75.5748 6.2447)
##  3 Cali  Colomb… CO    Valle … admin   2471474 2471474    (-76.5197 3.44)
##  4 Barr… Colomb… CO    Atlánt… admin   1274250 1274250 (-74.7964 10.9639)
##  5 Cart… Colomb… CO    Bolívar admin   1036412 1036412 (-75.5253 10.4236)
##  6 Soac… Colomb… CO    Cundin… minor    995268  995268  (-74.2144 4.5781)
##  7 Pale… Colomb… CO    Huila   minor    800000  800000  (-75.4339 2.8883)
##  8 Cúcu… Colomb… CO    Norte … admin    750000  750000  (-72.5047 7.9075)
##  9 Sole… Colomb… CO    Atlánt… minor    698852  342556     (-74.77 10.92)
## 10 Pere… Colomb… CO    Risara… admin    590554  590554  (-75.6946 4.8143)
## # … with 1,092 more rows, and abbreviated variable names ¹​admin_name,
## #   ²​population, ³​population_proper

Ahora se debe añadir CRS (sistema de coordenadas geográficas). Antes de continuar, se debe tener en cuenta la limitación que representa tener un sistema de coordenadas diferente en el archivo de municipios. Esto se debe a que si se va a hacer un joint, los datos quedarían con CRS distintos, por tanto se requiere hacer una conversión

Primero añadimos CRS al archivo de ciudades

st_crs(sf.cities)<-4326

Luego creamos un objeto con el CRS de municipios

new_crs<-4686

Ahora se le coloca este nuevo CRS a las ciudades

new.cities<-st_transform(sf.cities, new_crs)
new.cities

## Simple feature collection with 1102 features and 7 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: -81.7006 ymin: -4.215 xmax: -67.4858 ymax: 13.3817
## Geodetic CRS:  MAGNA-SIRGAS
## # A tibble: 1,102 × 8
##    city  country iso2  admin…¹ capital popul…² popul…³           geometry
##  * <chr> <chr>   <chr> <chr>   <chr>     <dbl>   <dbl>        <POINT [°]>
##  1 Bogo… Colomb… CO    Bogotá  primary 9464000 7963000  (-74.0705 4.6126)
##  2 Mede… Colomb… CO    Antioq… admin   2529403 2529403  (-75.5748 6.2447)
##  3 Cali  Colomb… CO    Valle … admin   2471474 2471474    (-76.5197 3.44)
##  4 Barr… Colomb… CO    Atlánt… admin   1274250 1274250 (-74.7964 10.9639)
##  5 Cart… Colomb… CO    Bolívar admin   1036412 1036412 (-75.5253 10.4236)
##  6 Soac… Colomb… CO    Cundin… minor    995268  995268  (-74.2144 4.5781)
##  7 Pale… Colomb… CO    Huila   minor    800000  800000  (-75.4339 2.8883)
##  8 Cúcu… Colomb… CO    Norte … admin    750000  750000  (-72.5047 7.9075)
##  9 Sole… Colomb… CO    Atlánt… minor    698852  342556     (-74.77 10.92)
## 10 Pere… Colomb… CO    Risara… admin    590554  590554  (-75.6946 4.8143)
## # … with 1,092 more rows, and abbreviated variable names ¹​admin_name,
## #   ²​population, ³​population_proper

Subconjuntos de datos relevantes para nuestro departamento

Para esto se debe crear un spatial join, primero con todas las ciudades de todos los departamentos, en otras palabras, se debe ubicar primero a las ciudades -que son puntos- dentro de los municipios -que son polígonos-

sf.cities.joined<-st_join(new.cities,municipios1,join=st_within)
sf.cities.joined

## Simple feature collection with 1102 features and 10 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: -81.7006 ymin: -4.215 xmax: -67.4858 ymax: 13.3817
## Geodetic CRS:  MAGNA-SIRGAS
## # A tibble: 1,102 × 11
##    city  country iso2  admin…¹ capital popul…² popul…³           geometry
##  * <chr> <chr>   <chr> <chr>   <chr>     <dbl>   <dbl>        <POINT [°]>
##  1 Bogo… Colomb… CO    Bogotá  primary 9464000 7963000  (-74.0705 4.6126)
##  2 Mede… Colomb… CO    Antioq… admin   2529403 2529403  (-75.5748 6.2447)
##  3 Cali  Colomb… CO    Valle … admin   2471474 2471474    (-76.5197 3.44)
##  4 Barr… Colomb… CO    Atlánt… admin   1274250 1274250 (-74.7964 10.9639)
##  5 Cart… Colomb… CO    Bolívar admin   1036412 1036412 (-75.5253 10.4236)
##  6 Soac… Colomb… CO    Cundin… minor    995268  995268  (-74.2144 4.5781)
##  7 Pale… Colomb… CO    Huila   minor    800000  800000  (-75.4339 2.8883)
##  8 Cúcu… Colomb… CO    Norte … admin    750000  750000  (-72.5047 7.9075)
##  9 Sole… Colomb… CO    Atlánt… minor    698852  342556     (-74.77 10.92)
## 10 Pere… Colomb… CO    Risara… admin    590554  590554  (-75.6946 4.8143)
## # … with 1,092 more rows, 3 more variables: MPIO_CDPMP <chr>, MPIO_CNMBR <chr>,
## #   MPIO_NAREA <dbl>, and abbreviated variable names ¹​admin_name, ²​population,
## #   ³​population_proper

Puesto que solo estamos interesados en el departamento del Guaviare, es necesario filtrar la información del archivo de ciudades únicamente para dicho departamento.

guav_cities<-dplyr::filter(sf.cities.joined,admin_name=='Guaviare')
guav_cities

## Simple feature collection with 4 features and 10 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: -72.6531 ymin: 1.3367 xmax: -71.9511 ymax: 2.5653
## Geodetic CRS:  MAGNA-SIRGAS
## # A tibble: 4 × 11
##   city   country iso2  admin…¹ capital popul…² popul…³          geometry
## * <chr>  <chr>   <chr> <chr>   <chr>     <dbl>   <dbl>       <POINT [°]>
## 1 San J… Colomb… CO    Guavia… admin     68878   68878 (-72.6386 2.5653)
## 2 El Re… Colomb… CO    Guavia… minor     24562   24562 (-72.6278 2.3306)
## 3 Miraf… Colomb… CO    Guavia… minor        NA      NA (-71.9511 1.3367)
## 4 Calam… Colomb… CO    Guavia… minor        NA      NA (-72.6531 1.9596)
## # … with 3 more variables: MPIO_CDPMP <chr>, MPIO_CNMBR <chr>,
## #   MPIO_NAREA <dbl>, and abbreviated variable names ¹​admin_name, ²​population,
## #   ³​population_proper

Mapa de los grupos de cultivo más importantes para el Guaviare

Particularmente se busca hacer un mapa coroplético con dicha información, para lo cual estaremos utilizando librerias como tmap, ggplot2 y classInt. Cabe recordar que la activación de estas librerias se encuentra en el apartado de configuración.

Como primer paso, se debe unir las estadísticas municipales y la tabla de municipios creada, sin embargo, se debe recordar que no tienen los mismos atributos. En ese sentido, para llevar a cabo la unión se hace necesario buscar al menos un atributo en común, particularmente el código de municipio. En principio se debe revisar si el tipo de datos de ambas tablas es el mismo

class(tuberculos_platano$COD_MUN)

## [1] "numeric"

class(municipios1$MPIO_CDPMP)

## [1] "character"

Para el caso del grupo de cultivo, este dato corresponde al tipo numérico, así que se debe convertir a caracter

(tuberculos_platano$COD_MUN = as.character(tuberculos_platano$COD_MUN))

## [1] "95025" "95001" "95015" "95200"

Ahora si se puede llevar a cabo la unión entre los municipios y el grupo de cultivo

mun_tp<-left_join(municipios1,tuberculos_platano,by=c('MPIO_CDPMP'='COD_MUN'))
mun_tp

## Simple feature collection with 4 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.66391 ymin: 0.6554126 xmax: -69.99511 ymax: 2.924987
## Geodetic CRS:  MAGNA-SIRGAS
##   MPIO_CDPMP            MPIO_CNMBR MPIO_NAREA             MUNICIPIO
## 1      95001 SAN JOSÉ DEL GUAVIARE   16757.07 SAN JOSE DEL GUAVIARE
## 2      95015               CALAMAR   13069.59               CALAMAR
## 3      95025            EL RETORNO   12909.12            EL RETORNO
## 4      95200            MIRAFLORES   12808.08            MIRAFLORES
##           GRUPO_CULTIVO produccion_maxima                       geometry
## 1 TUBERCULOS Y PLATANOS             21984 MULTIPOLYGON (((-71.31266 2...
## 2 TUBERCULOS Y PLATANOS             13600 MULTIPOLYGON (((-72.6716 2....
## 3 TUBERCULOS Y PLATANOS             23688 MULTIPOLYGON (((-72.73135 2...
## 4 TUBERCULOS Y PLATANOS              6828 MULTIPOLYGON (((-72.01357 1...

El siguiente código modifica los colores de los municipios de acuerdo con la producción máxima:

breaks <- classIntervals(mun_tp$produccion_maxima, n = 6, style = 'fisher')

## Warning in classIntervals(mun_tp$produccion_maxima, n = 6, style = "fisher"): n
## greater than number of different finite values\nn reset to number of different
## finite values

## Warning in classIntervals(mun_tp$produccion_maxima, n = 6, style = "fisher"): n
## same as number of different finite values\neach different finite value is a
## separate class

#label breaks
lab_vec <- vector(length = length(breaks$brks)-1)
rounded_breaks <- round(breaks$brks,2)
lab_vec[1] <- paste0('[', rounded_breaks[1],' - ', rounded_breaks[2],']')
for(i in 2:(length(breaks$brks) - 1)){
  lab_vec[i] <- paste0('(',rounded_breaks[i], ' - ', rounded_breaks[i+1], ']')
}

Mapa estático del grupo de cultivo de plátano y yuca

Para crear el mapa hay que reproyectar municipios y ciudades al CRS 4326

# guav_cities <-st_transform(guav_cities, 4326)
municipios1<-st_transform(municipios1, 4326)

mun_tp <-st_transform(mun_tp, 4326)

mun_tp <-  mun_tp %>%
mutate(faktor_class = factor(cut(produccion_maxima, breaks$brks, include.lowest = T), labels = lab_vec))

# Cambiar el nombre del atributo
mun_tp$Produccion = mun_tp$faktor_class

# Crear un espacio nuevo (en la mitad) con coordenas centroidales
mun_tp$mid <- sf::st_centroid(mun_tp$geometry)

mun_tp

## Simple feature collection with 4 features and 8 fields
## Active geometry column: geometry
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.66391 ymin: 0.6554126 xmax: -69.99511 ymax: 2.924987
## Geodetic CRS:  WGS 84
##   MPIO_CDPMP            MPIO_CNMBR MPIO_NAREA             MUNICIPIO
## 1      95001 SAN JOSÉ DEL GUAVIARE   16757.07 SAN JOSE DEL GUAVIARE
## 2      95015               CALAMAR   13069.59               CALAMAR
## 3      95025            EL RETORNO   12909.12            EL RETORNO
## 4      95200            MIRAFLORES   12808.08            MIRAFLORES
##           GRUPO_CULTIVO produccion_maxima                       geometry
## 1 TUBERCULOS Y PLATANOS             21984 MULTIPOLYGON (((-71.31266 2...
## 2 TUBERCULOS Y PLATANOS             13600 MULTIPOLYGON (((-72.6716 2....
## 3 TUBERCULOS Y PLATANOS             23688 MULTIPOLYGON (((-72.73135 2...
## 4 TUBERCULOS Y PLATANOS              6828 MULTIPOLYGON (((-72.01357 1...
##      faktor_class      Produccion                        mid
## 1 (17792 - 22836] (17792 - 22836] POINT (-71.91807 2.484715)
## 2 (10214 - 17792] (10214 - 17792]  POINT (-73.03837 1.59618)
## 3 (22836 - 26498] (22836 - 26498] POINT (-71.58567 2.086506)
## 4  [4018 - 10214]  [4018 - 10214] POINT (-72.01812 1.363953)

# Obtención de los valores longitudinales
LONG = st_coordinates(mun_tp$mid)[,1]

#Obtención valores latitudinales
LAT = st_coordinates(mun_tp$mid)[,2]

ggplot(data = mun_tp) +
   geom_sf(aes(fill = Produccion)) +
   geom_label_repel(aes(x = LONG, y = LAT, label = MPIO_CNMBR), 
                    label.padding =     unit(0.10,"lines"),  
                    label.r = unit(0.025, "lines"),
                    label.size = 0.05)

Mapa dinámico del grupo de cultivo de frutales

De igual modo, es necesario importar la información del directorio de trabajo del respectivo cuaderno

(frutales = read_csv("F:\\GBI\\GB2\\Ejerciciosr\\Cuaderno2\\guaviare_frutales.csv", show_col_types = FALSE))

## # A tibble: 4 × 4
##   COD_MUN MUNICIPIO             GRUPO_CULTIVO produccion_maxima
##     <dbl> <chr>                 <chr>                     <dbl>
## 1   95001 SAN JOSE DEL GUAVIARE FRUTALES                   5495
## 2   95025 EL RETORNO            FRUTALES                   4352
## 3   95015 CALAMAR               FRUTALES                   1925
## 4   95200 MIRAFLORES            FRUTALES                   1050

Cabe resaltar que al igual que con el grupo de cultivo anterior, es necesario seguir una serie de pasos. Primero debemos asegurarnos que el código de municipio se encuentre en formato de texto

class(frutales$COD_MUN)

## [1] "numeric"

frutales$COD_MUN=as.character(frutales$COD_MUN)

Unimos frutales con municipios

mun_fru<-left_join(municipios1,frutales,by=c('MPIO_CDPMP'='COD_MUN'))
mun_fru

## Simple feature collection with 4 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.66391 ymin: 0.6554126 xmax: -69.99511 ymax: 2.924987
## Geodetic CRS:  WGS 84
##   MPIO_CDPMP            MPIO_CNMBR MPIO_NAREA             MUNICIPIO
## 1      95001 SAN JOSÉ DEL GUAVIARE   16757.07 SAN JOSE DEL GUAVIARE
## 2      95015               CALAMAR   13069.59               CALAMAR
## 3      95025            EL RETORNO   12909.12            EL RETORNO
## 4      95200            MIRAFLORES   12808.08            MIRAFLORES
##   GRUPO_CULTIVO produccion_maxima                       geometry
## 1      FRUTALES              5495 MULTIPOLYGON (((-71.31266 2...
## 2      FRUTALES              1925 MULTIPOLYGON (((-72.6716 2....
## 3      FRUTALES              4352 MULTIPOLYGON (((-72.73135 2...
## 4      FRUTALES              1050 MULTIPOLYGON (((-72.01357 1...

Hecho lo anterior, es posible hacer el mapa dinámico con el siguiente código

facet = "produccion_maxima"
mun_fru_map =  
  tm_shape(mun_fru) + tm_polygons(facet) + tm_text(text = "MPIO_CNMBR", size = 0.7, fontfamily = "sans") +
  tm_shape(guav_cities) + tm_symbols(shape = 2, col = "red", size = 0.20) +
  tm_credits("Data source: UPRA (2020)", fontface = "bold") +
  tm_layout(main.title = "Produccion de frutales en 2020",
            main.title.fontface = "bold.italic", 
            legend.title.fontfamily = "monospace") +
  tm_scale_bar(position = c("left", "bottom"))

tmap_mode("view")

## tmap mode set to interactive viewing

mun_fru_map

## Credits not supported in view mode.

## Symbol shapes other than circles or icons are not supported in view mode.

Bibliografía

Lizarazo, I., 2022. Getting started with thematic maps. Available at https://rpubs.com/ials2un/thematic_maps_v2.

sessionInfo()

## R version 4.2.2 (2022-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 22621)
## 
## Matrix products: default
## 
## locale:
## [1] LC_COLLATE=English_United States.utf8 
## [2] LC_CTYPE=English_United States.utf8   
## [3] LC_MONETARY=English_United States.utf8
## [4] LC_NUMERIC=C                          
## [5] LC_TIME=English_United States.utf8    
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] classInt_0.4-9 ggrepel_0.9.3  ggplot2_3.4.1  tmap_3.3-3     readr_2.1.4   
## [6] sf_1.0-11      dplyr_1.1.0   
## 
## loaded via a namespace (and not attached):
##  [1] sass_0.4.5              bit64_4.0.5             vroom_1.6.1            
##  [4] jsonlite_1.8.4          viridisLite_0.4.1       bslib_0.4.2            
##  [7] sp_1.6-0                highr_0.10              yaml_2.3.7             
## [10] pillar_1.8.1            lattice_0.20-45         glue_1.6.2             
## [13] digest_0.6.31           RColorBrewer_1.1-3      colorspace_2.1-0       
## [16] leaflet.providers_1.9.0 htmltools_0.5.4         XML_3.99-0.14          
## [19] pkgconfig_2.0.3         raster_3.6-20           stars_0.6-1            
## [22] s2_1.1.2                scales_1.2.1            terra_1.7-23           
## [25] tzdb_0.3.0              tibble_3.1.8            proxy_0.4-27           
## [28] generics_0.1.3          farver_2.1.1            ellipsis_0.3.2         
## [31] cachem_1.0.7            withr_2.5.0             leafsync_0.1.0         
## [34] cli_3.6.0               mime_0.12               magrittr_2.0.3         
## [37] crayon_1.5.2            evaluate_0.20           fansi_1.0.4            
## [40] lwgeom_0.2-11           class_7.3-20            tools_4.2.2            
## [43] hms_1.1.2               lifecycle_1.0.3         munsell_0.5.0          
## [46] compiler_4.2.2          jquerylib_0.1.4         e1071_1.7-13           
## [49] rlang_1.0.6             units_0.8-1             grid_4.2.2             
## [52] tmaptools_3.1-1         dichromat_2.0-0.1       rstudioapi_0.14        
## [55] htmlwidgets_1.6.2       crosstalk_1.2.0         leafem_0.2.0           
## [58] base64enc_0.1-3         rmarkdown_2.20          wk_0.7.2               
## [61] gtable_0.3.1            codetools_0.2-18        abind_1.4-5            
## [64] DBI_1.1.3               markdown_1.5            R6_2.5.1               
## [67] knitr_1.42              fastmap_1.1.1           bit_4.0.5              
## [70] utf8_1.2.3              KernSmooth_2.23-20      parallel_4.2.2         
## [73] Rcpp_1.0.10             vctrs_0.5.2             png_0.1-8              
## [76] leaflet_2.1.2           tidyselect_1.2.0        xfun_0.37