Análisis de información geográfica y espacia. Caso Comunas en Cali
Nini Alejandra Valderrama
2024-04-21
Áreas de la estadística Espacial y Conceptos de cartografía
Objetivo: Identificar las diferentes áreas de la estadística espacial y los tipos de datos espaciales a través de la revisión de conceptos para su posterior uso en aplicaciones reales.
Carga de librerias
## Loading required package: raster## Warning: package 'raster' was built under R version 4.2.3## Loading required package: sp## Warning: package 'sp' was built under R version 4.2.3## The legacy packages maptools, rgdal, and rgeos, underpinning the sp package,
## which was just loaded, will retire in October 2023.
## Please refer to R-spatial evolution reports for details, especially
## https://r-spatial.org/r/2023/05/15/evolution4.html.
## It may be desirable to make the sf package available;
## package maintainers should consider adding sf to Suggests:.
## The sp package is now running under evolution status 2
## (status 2 uses the sf package in place of rgdal)## Loading required package: terra## Warning: package 'terra' was built under R version 4.2.3## terra 1.7.46## Loading required package: sf## Warning: package 'sf' was built under R version 4.2.3## Linking to GEOS 3.9.3, GDAL 3.5.2, PROJ 8.2.1; sf_use_s2() is TRUE## Loading required package: RColorBrewer## Loading required package: leaflet## Warning: package 'leaflet' was built under R version 4.2.3## Loading required package: ggplot2## Warning: package 'ggplot2' was built under R version 4.2.3## Loading required package: readxl## Warning: package 'readxl' was built under R version 4.2.3Carga de archivos
Para resolver el caso, se requieren cargar dos archivos, el primero tipo shapefile que contiene la cartografía de Cali, esencial para el análisis y el segundo, un arhivo excel con los registros de una encuesta con los diferentes tipos de desplazamiento, su medio de transporte, comuna de origen y destino.
mapacali= shapefile("C:/Users/USUARIO/OneDrive - PUJ Cali/Master/3 semestre/GEOGRAFIA/U1/Casos/Casos/cali/Comunas.shp")
mapacali## class : SpatialPolygonsDataFrame
## features : 22
## extent : 1053868, 1068492, 860190.2, 879441.5 (xmin, xmax, ymin, ymax)
## crs : +proj=tmerc +lat_0=3.441883333 +lon_0=-76.5205625 +k=1 +x_0=1061900.18 +y_0=872364.63 +a=6379137 +rf=298.257222101 +units=m +no_defs
## variables : 4
## names : OBJECTID, gid, comuna, nombre
## min values : 1, 89, 1, Comuna 1
## max values : 22, 110, 22, Comuna 9revisar carga de archivo
# Carga Encuesta
## New names:
## • `MUNICIPIO` -> `MUNICIPIO...6`
## • `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN` ->
## `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7`
## • `MUNICIPIO` -> `MUNICIPIO...10`
## • `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN` ->
## `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11`
## • `OTRO¿CUÁL?` -> `OTRO¿CUÁL?...16`
## • `OTRO¿CUÁL?` -> `OTRO¿CUÁL?...23`## # A tibble: 6 × 27
## IDESTACIÓN ESTACIÓN ACCESO MOVIMIENTO HoradeEncuesta MUNICIPIO...6
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1 Avenida6NXCalle70N NORTE MOV1 6:10:00AM CALI
## 2 1 Avenida6NXCalle70N NORTE MOV1 6:11:00AM CALIMA
## 3 1 Avenida6NXCalle70N NORTE MOV1 6:12:00AM YUMBO
## 4 1 Avenida6NXCalle70N NORTE MOV1 6:13:00AM YUMBO
## 5 1 Avenida6NXCalle70N NORTE MOV1 6:14:00AM PALMIRA
## 6 1 Avenida6NXCalle70N NORTE MOV1 6:15:00AM PALMIRA
## # ℹ 21 more variables:
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7` <chr>,
## # CodigoOrigen_SDG <chr>, `¿QUEESTABAHACIENDOENESELUGAR?` <chr>,
## # MUNICIPIO...10 <chr>,
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11` <chr>,
## # CodigoDestino_SDG <chr>, `¿QUEVAHACERAESELUGAR?` <chr>,
## # ESTRATOENSUVIVIENDA <chr>, …## tibble [35,054 × 27] (S3: tbl_df/tbl/data.frame)
## $ IDESTACIÓN : num [1:35054] 1 1 1 1 1 1 1 1 1 1 ...
## $ ESTACIÓN : chr [1:35054] "Avenida6NXCalle70N" "Avenida6NXCalle70N" "Avenida6NXCalle70N" "Avenida6NXCalle70N" ...
## $ ACCESO : chr [1:35054] "NORTE" "NORTE" "NORTE" "NORTE" ...
## $ MOVIMIENTO : chr [1:35054] "MOV1" "MOV1" "MOV1" "MOV1" ...
## $ HoradeEncuesta : chr [1:35054] "6:10:00AM" "6:11:00AM" "6:12:00AM" "6:13:00AM" ...
## $ MUNICIPIO...6 : chr [1:35054] "CALI" "CALIMA" "YUMBO" "YUMBO" ...
## $ DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7 : chr [1:35054] "BCHIPICHAPE" "DARIEN" "VALLEDELCAUCA" "VALLEDELCAUCA" ...
## $ CodigoOrigen_SDG : chr [1:35054] "218" "4102" "3102" "3102" ...
## $ ¿QUEESTABAHACIENDOENESELUGAR? : chr [1:35054] "5" "6" "6" "6" ...
## $ MUNICIPIO...10 : chr [1:35054] "CALI" "CALI" "CALI" "CALI" ...
## $ DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11: chr [1:35054] "BPANCE" "TEQUENDAMA" "BELPEÑON" "BOBRERO" ...
## $ CodigoDestino_SDG : chr [1:35054] "2216" "1904" "302" "910" ...
## $ ¿QUEVAHACERAESELUGAR? : chr [1:35054] "1" "4" "1" "1" ...
## $ ESTRATOENSUVIVIENDA : chr [1:35054] "3" "2" "3" "2" ...
## $ ¿DISPONIADEUNVEHÍCULOPARAREALIZARESTEDESPLAZAMIENTO? : chr [1:35054] "0" "NA" "NA" "NA" ...
## $ OTRO¿CUÁL?...16 : chr [1:35054] "NA" "NA" "NA" "NA" ...
## $ ANTES : chr [1:35054] "NA" "NA" "NA" "NA" ...
## $ DESPUES : chr [1:35054] "NA" "NA" "NA" "NA" ...
## $ EDAD : chr [1:35054] "35" "40" "33" "28" ...
## $ SEXO : chr [1:35054] "2" "2" "2" "2" ...
## $ PERSONASENELVEHÍCULO : chr [1:35054] "1" "4" "1" "1" ...
## $ TIPODEVEHÍCULO : chr [1:35054] "2" "3" "2" "2" ...
## $ OTRO¿CUÁL?...23 : chr [1:35054] "NA" "NA" "NA" "NA" ...
## $ TIPODEVIAJERO : chr [1:35054] "1" "1" "1" "1" ...
## $ comunaorigen : chr [1:35054] "02" "FueradeCali" "FueradeCali" "FueradeCali" ...
## $ comunadestino : chr [1:35054] "22" "19" "03" "09" ...
## $ Intracomuna : chr [1:35054] "0" "0" "0" "0" ...Limpieza, filtrado y transformación de Datos
Paso necesario para eliminar datos faltantes, se observa ademas que las columnas “comuna destino” e “Comuna origen” son tipo chr, contienen el texto “Fuera de Cali” por lo tanto se procede a la limpieza y transformación. Es necesario además filtrar “Fuera de Cali” y “0”, dado a que no aportan a la solución del caso.
## # A tibble: 6 × 27
## IDESTACIÓN ESTACIÓN ACCESO MOVIMIENTO HoradeEncuesta MUNICIPIO...6
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1 Avenida6NXCalle70N NORTE MOV1 6:10:00AM CALI
## 2 1 Avenida6NXCalle70N NORTE MOV1 6:28:00AM CALI
## 3 1 Avenida6NXCalle70N NORTE MOV1 6:30:00AM CALI
## 4 1 Avenida6NXCalle70N NORTE MOV1 7:16:00AM CALI
## 5 1 Avenida6NXCalle70N NORTE MOV1 7:20:00AM CALI
## 6 1 Avenida6NXCalle70N NORTE MOV1 7:29:00AM CALI
## # ℹ 21 more variables:
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7` <chr>,
## # CodigoOrigen_SDG <chr>, `¿QUEESTABAHACIENDOENESELUGAR?` <chr>,
## # MUNICIPIO...10 <chr>,
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11` <chr>,
## # CodigoDestino_SDG <chr>, `¿QUEVAHACERAESELUGAR?` <chr>,
## # ESTRATOENSUVIVIENDA <chr>, …## # A tibble: 6 × 27
## IDESTACIÓN ESTACIÓN ACCESO MOVIMIENTO HoradeEncuesta MUNICIPIO...6
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1 Avenida6NXCalle70N NORTE MOV1 6:10:00AM CALI
## 2 1 Avenida6NXCalle70N NORTE MOV1 6:28:00AM CALI
## 3 1 Avenida6NXCalle70N NORTE MOV1 6:30:00AM CALI
## 4 1 Avenida6NXCalle70N NORTE MOV1 7:16:00AM CALI
## 5 1 Avenida6NXCalle70N NORTE MOV1 7:20:00AM CALI
## 6 1 Avenida6NXCalle70N NORTE MOV1 7:29:00AM CALI
## # ℹ 21 more variables:
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7` <chr>,
## # CodigoOrigen_SDG <chr>, `¿QUEESTABAHACIENDOENESELUGAR?` <chr>,
## # MUNICIPIO...10 <chr>,
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11` <chr>,
## # CodigoDestino_SDG <chr>, `¿QUEVAHACERAESELUGAR?` <chr>,
## # ESTRATOENSUVIVIENDA <chr>, …Se procede a asignar coordenas a las comunas, para ello se toma como referencia el archivo Shapefile cargado lineas arriba
## # A tibble: 6 × 31
## IDESTACIÓN ESTACIÓN ACCESO MOVIMIENTO HoradeEncuesta MUNICIPIO...6
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1 Avenida6NXCalle70N NORTE MOV1 6:10:00AM CALI
## 2 1 Avenida6NXCalle70N NORTE MOV1 6:28:00AM CALI
## 3 1 Avenida6NXCalle70N NORTE MOV1 6:30:00AM CALI
## 4 1 Avenida6NXCalle70N NORTE MOV1 7:16:00AM CALI
## 5 1 Avenida6NXCalle70N NORTE MOV1 7:20:00AM CALI
## 6 1 Avenida6NXCalle70N NORTE MOV1 7:29:00AM CALI
## # ℹ 25 more variables:
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7` <chr>,
## # CodigoOrigen_SDG <chr>, `¿QUEESTABAHACIENDOENESELUGAR?` <chr>,
## # MUNICIPIO...10 <chr>,
## # `DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11` <chr>,
## # CodigoDestino_SDG <chr>, `¿QUEVAHACERAESELUGAR?` <chr>,
## # ESTRATOENSUVIVIENDA <chr>, …Conteo de datos faltantes
nulos_lat_ori <- sum(is.na(datosfil$latitud_com_ori))
nulos_long_ori <- sum(is.na(datosfil$longitud_com_ori))
nulos_lat_des <- sum(is.na(datosfil$latitud_com_des))
nulos_long_des <- sum(is.na(datosfil$longitud_com_des))
print("Valores nulos en latitud_com_ori")## [1] "Valores nulos en latitud_com_ori"print(nulos_lat_ori)## [1] 0print(nulos_long_ori)## [1] 0print(nulos_lat_des)## [1] 0print(nulos_long_des)## [1] 0Resolución del Caso
Mapas de Origen
Para este primera parte, se realizará la visualización del Mapa de Cali según el origen por categoria según tipo de Vehículo (Bicicleta, Moto y Automóvil)
mapaorigen = SpatialPointsDataFrame(coords = datosfil[, 28:29],
data = datosfil,
proj4string = crs(calimap)
)
mapaorigen## class : SpatialPointsDataFrame
## features : 22151
## extent : 862283.3, 877232, 1056762, 1067421 (xmin, xmax, ymin, ymax)
## crs : +proj=tmerc +lat_0=3.441883333 +lon_0=-76.5205625 +k=1 +x_0=1061900.18 +y_0=872364.63 +a=6379137 +rf=298.257222101 +units=m +no_defs
## variables : 31
## names : IDESTACIÓN, ESTACIÓN, ACCESO, MOVIMIENTO, HoradeEncuesta, MUNICIPIO...6, DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7, CodigoOrigen_SDG, ¿QUEESTABAHACIENDOENESELUGAR?, MUNICIPIO...10, DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11, CodigoDestino_SDG, ¿QUEVAHACERAESELUGAR?, ESTRATOENSUVIVIENDA, ¿DISPONIADEUNVEHÍCULOPARAREALIZARESTEDESPLAZAMIENTO?, ...
## min values : 1, AutopistaCali-Jamundí, NORTE, MOV1, 0.35972222222222222, CALI, 10CENTRO, 1001, 1, CALI, 10CON10, 1001, 1, 1, 0, ...
## max values : 30, Diagonal15XAv.CiudaddeCali, SUR, MOV4, 9:59:00AM, POPAYAN, ZUPIANOLLOREDA, 914, NA, POPAYAN, ZOOLOGICOOESTE, 914, NA, NA, NA, ...Mapas de desplazamiento: Origen de Bicleta, Moto y Automóvil
mapainteres = mapaorigen
crs(mapainteres) <- crs(calimap)
Conteo_comunas <- table(mapainteres$`comunaorigen`)
#Creación de nueva variable y asignar conteo
calimap$mapainteres <- Conteo_comunas[match(calimap$comuna, names(Conteo_comunas))]
calimap$mapainteres <-as.numeric(calimap$mapainteres)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres
## 1 1 107 2 Comuna 2 2250
## 2 2 108 1 Comuna 1 626
## 3 3 109 3 Comuna 3 1610
## 4 4 110 19 Comuna 19 2241
## 5 5 103 15 Comuna 15 974
## 6 6 104 17 Comuna 17 1762
## 7 7 105 18 Comuna 18 1208
## 8 8 106 22 Comuna 22 985
## 9 9 89 6 Comuna 6 797
## 10 10 90 4 Comuna 4 1193
## 11 11 91 5 Comuna 5 521
## 12 12 92 7 Comuna 7 583
## 13 13 93 8 Comuna 8 862
## 14 14 94 9 Comuna 9 737
## 15 15 95 21 Comuna 21 693
## 16 16 96 13 Comuna 13 1031
## 17 17 97 12 Comuna 12 257
## 18 18 98 14 Comuna 14 575
## 19 19 99 11 Comuna 11 717
## 20 20 100 10 Comuna 10 1094
## 21 21 101 20 Comuna 20 599
## 22 22 102 16 Comuna 16 836Se crea el mapa con las tres categorías de interés
spplot(calimap, "mapainteres", col.regions= brewer.pal(9, "Reds"), cuts = 6, main = "Mapa Origen para desplazamientos en Carro, Moto y Bicicleta")
### Dada la visualización, se puede evidenciar que las comunas donde más
se registran desplazamiento cuyo origen haya sido en carro, moto y/o
bicicelta, fueron desde la comuna 2 con 2250 viajes, seguidamente, la
comuna 19 con 2241, la comuna 17 sobresale también con 1762
desplazamientos de origen. Se puede observar también que la comuna con
menos desplazamientos de origen es la comuna 5
Desplazamientos de origen en Automóvil
Automoviles =which(mapaorigen@data$`TIPODEVEHÍCULO`== 3)
mapainteresCar = mapaorigen[Automoviles, ]datoscarros = mapainteresCar
crs(datoscarros) <- crs(calimap)
conteo_carros <- table(datoscarros$`comunaorigen`)
calimap$datoscarros <- conteo_carros[match(calimap$comuna, names(conteo_carros))]
calimap$datoscarros <-as.numeric(calimap$datoscarros)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres datoscarros
## 1 1 107 2 Comuna 2 2250 860
## 2 2 108 1 Comuna 1 626 234
## 3 3 109 3 Comuna 3 1610 679
## 4 4 110 19 Comuna 19 2241 923
## 5 5 103 15 Comuna 15 974 377
## 6 6 104 17 Comuna 17 1762 662
## 7 7 105 18 Comuna 18 1208 433
## 8 8 106 22 Comuna 22 985 424
## 9 9 89 6 Comuna 6 797 314
## 10 10 90 4 Comuna 4 1193 443
## 11 11 91 5 Comuna 5 521 185
## 12 12 92 7 Comuna 7 583 229
## 13 13 93 8 Comuna 8 862 319
## 14 14 94 9 Comuna 9 737 295
## 15 15 95 21 Comuna 21 693 272
## 16 16 96 13 Comuna 13 1031 412
## 17 17 97 12 Comuna 12 257 88
## 18 18 98 14 Comuna 14 575 236
## 19 19 99 11 Comuna 11 717 268
## 20 20 100 10 Comuna 10 1094 404
## 21 21 101 20 Comuna 20 599 228
## 22 22 102 16 Comuna 16 836 320spplot(calimap, "datoscarros", col.regions= brewer.pal(9, "Reds"), cuts = 6, main = "Mapa Origen para desplazamientos en Automóvil")
### Las comunas con más desplazamientos de origen en Carros son la 19,
2, 3, 17 y la 4. Las comunas 12 y 5, son las de menores trayectos en
este tipo de transporte.
Desplazamientos de origen en Moto
Motos =which(mapaorigen@data$`TIPODEVEHÍCULO`== 2)
mapainteresMoto = mapaorigen[Motos, ]datosMotos = mapainteresMoto
crs(datosMotos) <- crs(calimap)
conteo_Motos <- table(datosMotos$`comunaorigen`)
calimap$datosMotos <- conteo_Motos[match(calimap$comuna, names(conteo_Motos))]
calimap$datosMotos <-as.numeric(calimap$datosMotos)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres datoscarros datosMotos
## 1 1 107 2 Comuna 2 2250 860 1063
## 2 2 108 1 Comuna 1 626 234 296
## 3 3 109 3 Comuna 3 1610 679 702
## 4 4 110 19 Comuna 19 2241 923 995
## 5 5 103 15 Comuna 15 974 377 455
## 6 6 104 17 Comuna 17 1762 662 853
## 7 7 105 18 Comuna 18 1208 433 593
## 8 8 106 22 Comuna 22 985 424 430
## 9 9 89 6 Comuna 6 797 314 377
## 10 10 90 4 Comuna 4 1193 443 571
## 11 11 91 5 Comuna 5 521 185 260
## 12 12 92 7 Comuna 7 583 229 272
## 13 13 93 8 Comuna 8 862 319 421
## 14 14 94 9 Comuna 9 737 295 317
## 15 15 95 21 Comuna 21 693 272 323
## 16 16 96 13 Comuna 13 1031 412 453
## 17 17 97 12 Comuna 12 257 88 133
## 18 18 98 14 Comuna 14 575 236 258
## 19 19 99 11 Comuna 11 717 268 339
## 20 20 100 10 Comuna 10 1094 404 535
## 21 21 101 20 Comuna 20 599 228 278
## 22 22 102 16 Comuna 16 836 320 383spplot(calimap, "datosMotos", col.regions= brewer.pal(9, "Reds"), cuts = 6, main = "Mapa Origen para desplazamientos en Moto")
### Los desplazamientos de origen en Moto fueron en su mayoria desde las
comunas 2 y 19.
Desplazamientos de origen en Bicicleta
Bike =which(mapaorigen@data$`TIPODEVEHÍCULO`== 1)
mapainteresBike = mapaorigen[Bike, ]datosBike = mapainteresBike
crs(datosBike) <- crs(calimap)
conteo_Bike <- table(datosBike$`comunaorigen`)
calimap$datosBike <- conteo_Bike[match(calimap$comuna, names(conteo_Bike))]
calimap$datosBike <-as.numeric(calimap$datosBike)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres datoscarros datosMotos datosBike
## 1 1 107 2 Comuna 2 2250 860 1063 122
## 2 2 108 1 Comuna 1 626 234 296 32
## 3 3 109 3 Comuna 3 1610 679 702 84
## 4 4 110 19 Comuna 19 2241 923 995 113
## 5 5 103 15 Comuna 15 974 377 455 55
## 6 6 104 17 Comuna 17 1762 662 853 103
## 7 7 105 18 Comuna 18 1208 433 593 85
## 8 8 106 22 Comuna 22 985 424 430 52
## 9 9 89 6 Comuna 6 797 314 377 29
## 10 10 90 4 Comuna 4 1193 443 571 58
## 11 11 91 5 Comuna 5 521 185 260 28
## 12 12 92 7 Comuna 7 583 229 272 30
## 13 13 93 8 Comuna 8 862 319 421 46
## 14 14 94 9 Comuna 9 737 295 317 36
## 15 15 95 21 Comuna 21 693 272 323 35
## 16 16 96 13 Comuna 13 1031 412 453 62
## 17 17 97 12 Comuna 12 257 88 133 10
## 18 18 98 14 Comuna 14 575 236 258 32
## 19 19 99 11 Comuna 11 717 268 339 42
## 20 20 100 10 Comuna 10 1094 404 535 71
## 21 21 101 20 Comuna 20 599 228 278 33
## 22 22 102 16 Comuna 16 836 320 383 65spplot(calimap, "datosBike", col.regions= brewer.pal(9, "Reds"), cuts = 6, main = "Mapa Origen para desplazamientos en Bicicleta")
### Similar a las anteriores visualizaciones espaciales, las comunas, 2,
19 y 17 son aquellas con mayores desplazamientos, en este caso
Bicicleta.
Mapas de desplazamiento: Destino
La segunda parte del ejercicio consiste en realizar los mapas de destrino con los tipos de transporte: Bicicleta, Automóvil y Motocicleta.
mapadestino = SpatialPointsDataFrame(coords = datosfil[, 30:31],
data = datosfil,
proj4string = crs(calimap)
)
mapadestino## class : SpatialPointsDataFrame
## features : 22151
## extent : 862283.3, 877232, 1056762, 1067421 (xmin, xmax, ymin, ymax)
## crs : +proj=tmerc +lat_0=3.441883333 +lon_0=-76.5205625 +k=1 +x_0=1061900.18 +y_0=872364.63 +a=6379137 +rf=298.257222101 +units=m +no_defs
## variables : 31
## names : IDESTACIÓN, ESTACIÓN, ACCESO, MOVIMIENTO, HoradeEncuesta, MUNICIPIO...6, DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...7, CodigoOrigen_SDG, ¿QUEESTABAHACIENDOENESELUGAR?, MUNICIPIO...10, DEPARTAMENTO/LOCALIDAD/COMUNA/DISTRITO/BARRIO/VEREDA/HITO/DIRECCIÓN...11, CodigoDestino_SDG, ¿QUEVAHACERAESELUGAR?, ESTRATOENSUVIVIENDA, ¿DISPONIADEUNVEHÍCULOPARAREALIZARESTEDESPLAZAMIENTO?, ...
## min values : 1, AutopistaCali-Jamundí, NORTE, MOV1, 0.35972222222222222, CALI, 10CENTRO, 1001, 1, CALI, 10CON10, 1001, 1, 1, 0, ...
## max values : 30, Diagonal15XAv.CiudaddeCali, SUR, MOV4, 9:59:00AM, POPAYAN, ZUPIANOLLOREDA, 914, NA, POPAYAN, ZOOLOGICOOESTE, 914, NA, NA, NA, ...Mapas de destino: Origen de Bicleta, Moto y Automóvil
mapainteres2 = mapadestino
crs(mapainteres2) <- crs(calimap)
Conteo_comunasdes <- table(mapainteres2$`comunadestino`)
#Creación de nueva variable y asignar conteo
calimap$mapainteres2 <- Conteo_comunasdes[match(calimap$comuna, names(Conteo_comunasdes))]
calimap$mapainteres2 <-as.numeric(calimap$mapainteres2)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres datoscarros datosMotos datosBike
## 1 1 107 2 Comuna 2 2250 860 1063 122
## 2 2 108 1 Comuna 1 626 234 296 32
## 3 3 109 3 Comuna 3 1610 679 702 84
## 4 4 110 19 Comuna 19 2241 923 995 113
## 5 5 103 15 Comuna 15 974 377 455 55
## 6 6 104 17 Comuna 17 1762 662 853 103
## 7 7 105 18 Comuna 18 1208 433 593 85
## 8 8 106 22 Comuna 22 985 424 430 52
## 9 9 89 6 Comuna 6 797 314 377 29
## 10 10 90 4 Comuna 4 1193 443 571 58
## 11 11 91 5 Comuna 5 521 185 260 28
## 12 12 92 7 Comuna 7 583 229 272 30
## 13 13 93 8 Comuna 8 862 319 421 46
## 14 14 94 9 Comuna 9 737 295 317 36
## 15 15 95 21 Comuna 21 693 272 323 35
## 16 16 96 13 Comuna 13 1031 412 453 62
## 17 17 97 12 Comuna 12 257 88 133 10
## 18 18 98 14 Comuna 14 575 236 258 32
## 19 19 99 11 Comuna 11 717 268 339 42
## 20 20 100 10 Comuna 10 1094 404 535 71
## 21 21 101 20 Comuna 20 599 228 278 33
## 22 22 102 16 Comuna 16 836 320 383 65
## mapainteres2
## 1 3773
## 2 187
## 3 2887
## 4 2441
## 5 481
## 6 1616
## 7 526
## 8 1561
## 9 570
## 10 1497
## 11 440
## 12 598
## 13 830
## 14 1055
## 15 434
## 16 560
## 17 207
## 18 316
## 19 483
## 20 741
## 21 303
## 22 645Se crea el mapa con las tres categorías de interés de destino
spplot(calimap, "mapainteres2", col.regions= brewer.pal(9, "PuRd"), cuts = 6, main = "Mapa Destino para desplazamientos en Carro, Moto y Bicicleta")
## Desplazamientos de Destino en Automóvil
Automoviles_des =which(mapadestino@data$`TIPODEVEHÍCULO`== 3)
mapainteresCar2 = mapadestino[Automoviles_des, ]datoscarros2 = mapainteresCar2
crs(datoscarros2) <- crs(calimap)
conteo_carros_des <- table(datoscarros2$`comunadestino`)
calimap$datoscarros2 <- conteo_carros_des[match(calimap$comuna, names(conteo_carros_des))]
calimap$datoscarros2 <-as.numeric(calimap$datoscarros2)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres datoscarros datosMotos datosBike
## 1 1 107 2 Comuna 2 2250 860 1063 122
## 2 2 108 1 Comuna 1 626 234 296 32
## 3 3 109 3 Comuna 3 1610 679 702 84
## 4 4 110 19 Comuna 19 2241 923 995 113
## 5 5 103 15 Comuna 15 974 377 455 55
## 6 6 104 17 Comuna 17 1762 662 853 103
## 7 7 105 18 Comuna 18 1208 433 593 85
## 8 8 106 22 Comuna 22 985 424 430 52
## 9 9 89 6 Comuna 6 797 314 377 29
## 10 10 90 4 Comuna 4 1193 443 571 58
## 11 11 91 5 Comuna 5 521 185 260 28
## 12 12 92 7 Comuna 7 583 229 272 30
## 13 13 93 8 Comuna 8 862 319 421 46
## 14 14 94 9 Comuna 9 737 295 317 36
## 15 15 95 21 Comuna 21 693 272 323 35
## 16 16 96 13 Comuna 13 1031 412 453 62
## 17 17 97 12 Comuna 12 257 88 133 10
## 18 18 98 14 Comuna 14 575 236 258 32
## 19 19 99 11 Comuna 11 717 268 339 42
## 20 20 100 10 Comuna 10 1094 404 535 71
## 21 21 101 20 Comuna 20 599 228 278 33
## 22 22 102 16 Comuna 16 836 320 383 65
## mapainteres2 datoscarros2
## 1 3773 1518
## 2 187 73
## 3 2887 1098
## 4 2441 926
## 5 481 199
## 6 1616 650
## 7 526 216
## 8 1561 564
## 9 570 208
## 10 1497 596
## 11 440 181
## 12 598 224
## 13 830 325
## 14 1055 382
## 15 434 164
## 16 560 189
## 17 207 71
## 18 316 120
## 19 483 204
## 20 741 291
## 21 303 131
## 22 645 275spplot(calimap, "datoscarros2", col.regions= brewer.pal(9, "PuRd"), cuts = 6, main = "Mapa Destino para desplazamientos en Automóvil")
## Desplazamientos de Destino en Moto
Motos2 =which(mapadestino@data$`TIPODEVEHÍCULO`== 2)
mapainteresMoto2 = mapadestino[Motos2, ]datosMotos2 = mapainteresMoto2
crs(datosMotos2) <- crs(calimap)
conteo_Motos_des <- table(datosMotos2$`comunadestino`)
calimap$datosMotos2 <- conteo_Motos_des[match(calimap$comuna, names(conteo_Motos_des))]
calimap$datosMotos2 <-as.numeric(calimap$datosMotos2)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres datoscarros datosMotos datosBike
## 1 1 107 2 Comuna 2 2250 860 1063 122
## 2 2 108 1 Comuna 1 626 234 296 32
## 3 3 109 3 Comuna 3 1610 679 702 84
## 4 4 110 19 Comuna 19 2241 923 995 113
## 5 5 103 15 Comuna 15 974 377 455 55
## 6 6 104 17 Comuna 17 1762 662 853 103
## 7 7 105 18 Comuna 18 1208 433 593 85
## 8 8 106 22 Comuna 22 985 424 430 52
## 9 9 89 6 Comuna 6 797 314 377 29
## 10 10 90 4 Comuna 4 1193 443 571 58
## 11 11 91 5 Comuna 5 521 185 260 28
## 12 12 92 7 Comuna 7 583 229 272 30
## 13 13 93 8 Comuna 8 862 319 421 46
## 14 14 94 9 Comuna 9 737 295 317 36
## 15 15 95 21 Comuna 21 693 272 323 35
## 16 16 96 13 Comuna 13 1031 412 453 62
## 17 17 97 12 Comuna 12 257 88 133 10
## 18 18 98 14 Comuna 14 575 236 258 32
## 19 19 99 11 Comuna 11 717 268 339 42
## 20 20 100 10 Comuna 10 1094 404 535 71
## 21 21 101 20 Comuna 20 599 228 278 33
## 22 22 102 16 Comuna 16 836 320 383 65
## mapainteres2 datoscarros2 datosMotos2
## 1 3773 1518 1734
## 2 187 73 90
## 3 2887 1098 1333
## 4 2441 926 1152
## 5 481 199 232
## 6 1616 650 744
## 7 526 216 240
## 8 1561 564 766
## 9 570 208 255
## 10 1497 596 678
## 11 440 181 183
## 12 598 224 279
## 13 830 325 382
## 14 1055 382 512
## 15 434 164 202
## 16 560 189 285
## 17 207 71 106
## 18 316 120 150
## 19 483 204 217
## 20 741 291 353
## 21 303 131 124
## 22 645 275 290spplot(calimap, "datosMotos2", col.regions= brewer.pal(9, "PuRd"), cuts = 6, main = "Mapa Destino para desplazamientos en Moto")
## Desplazamientos de destino en Bicicleta
Bike2 =which(mapadestino@data$`TIPODEVEHÍCULO`== 1)
mapainteresBike2 = mapadestino[Bike2, ]datosBike2 = mapainteresBike2
crs(datosBike2) <- crs(calimap)
conteo_Bike_des <- table(datosBike2$`comunadestino`)
calimap$datosBike2 <- conteo_Bike_des[match(calimap$comuna, names(conteo_Bike_des))]
calimap$datosBike2 <-as.numeric(calimap$datosBike2)
head(calimap@data, 25)## OBJECTID gid comuna nombre mapainteres datoscarros datosMotos datosBike
## 1 1 107 2 Comuna 2 2250 860 1063 122
## 2 2 108 1 Comuna 1 626 234 296 32
## 3 3 109 3 Comuna 3 1610 679 702 84
## 4 4 110 19 Comuna 19 2241 923 995 113
## 5 5 103 15 Comuna 15 974 377 455 55
## 6 6 104 17 Comuna 17 1762 662 853 103
## 7 7 105 18 Comuna 18 1208 433 593 85
## 8 8 106 22 Comuna 22 985 424 430 52
## 9 9 89 6 Comuna 6 797 314 377 29
## 10 10 90 4 Comuna 4 1193 443 571 58
## 11 11 91 5 Comuna 5 521 185 260 28
## 12 12 92 7 Comuna 7 583 229 272 30
## 13 13 93 8 Comuna 8 862 319 421 46
## 14 14 94 9 Comuna 9 737 295 317 36
## 15 15 95 21 Comuna 21 693 272 323 35
## 16 16 96 13 Comuna 13 1031 412 453 62
## 17 17 97 12 Comuna 12 257 88 133 10
## 18 18 98 14 Comuna 14 575 236 258 32
## 19 19 99 11 Comuna 11 717 268 339 42
## 20 20 100 10 Comuna 10 1094 404 535 71
## 21 21 101 20 Comuna 20 599 228 278 33
## 22 22 102 16 Comuna 16 836 320 383 65
## mapainteres2 datoscarros2 datosMotos2 datosBike2
## 1 3773 1518 1734 194
## 2 187 73 90 9
## 3 2887 1098 1333 169
## 4 2441 926 1152 131
## 5 481 199 232 17
## 6 1616 650 744 95
## 7 526 216 240 28
## 8 1561 564 766 95
## 9 570 208 255 31
## 10 1497 596 678 80
## 11 440 181 183 38
## 12 598 224 279 36
## 13 830 325 382 46
## 14 1055 382 512 56
## 15 434 164 202 24
## 16 560 189 285 28
## 17 207 71 106 13
## 18 316 120 150 20
## 19 483 204 217 26
## 20 741 291 353 34
## 21 303 131 124 22
## 22 645 275 290 31spplot(calimap, "datosBike2", col.regions= brewer.pal(9, "PuRd"), cuts = 6, main = "Mapa Destino para desplazamientos en Bicicleta")