Geomofometria DEL TERRENO del departamento del Cauca
1. Introduction:
En el sigueinte cuaderno se encontrara el resuktado de los calculos de los atributos geomorfometricos del terreno, en este caso el departamento del Cauca,el cual analizaremos a partir de algunos modelos de elvación digital. Con el objetivo de preentar y demostrar los conocimiento de geomorfometria adquiridos en clase y por los cuales los resultados obtenidos ofrecen una base valiosa para comprender la dinámica topográfica de la región y su posible influencia en aspectos ambientales, agrícolas o de planificación territorial.
2. Configuración
El primer paso tendremos que limpiar la memoria en la cual vamos a trabajar.
rm(list=ls())Luego tendremos que instalar las siguientes, librerias library(elevatr),library(sf),library(leaflet),library(terra),library(MultiscaleDTM),library(exactextractr).
library(elevatr)## elevatr v0.99.0 NOTE: Version 0.99.0 of 'elevatr' uses 'sf' and 'terra'. Use
## of the 'sp', 'raster', and underlying 'rgdal' packages by 'elevatr' is being
## deprecated; however, get_elev_raster continues to return a RasterLayer. This
## will be dropped in future versions, so please plan accordingly.library(sf)## Linking to GEOS 3.11.2, GDAL 3.8.2, PROJ 9.3.1; sf_use_s2() is TRUElibrary(leaflet)
library(terra)## terra 1.8.29library(MultiscaleDTM)
library(exactextractr)Luego cargamos un modelo de elevación dem, raster para el deparatamento de Cauca. Luego leeremos el dem con la ayuda del paquete que utilizaremos que es terra.
(dem=terra::rast("datos/elev_cauca_z8.tif"))## class : SpatRaster
## dimensions : 1535, 1537, 1 (nrow, ncol, nlyr)
## resolution : 0.002745343, 0.002745343 (x, y)
## extent : -78.75, -74.53041, 0.0008414842, 4.214943 (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=longlat +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +no_defs
## source : elev_cauca_z8.tif
## name : elev_cauca_z8
## min value : -4109
## max value : 5730En este paso dismunuimos la resolución del dem para que no ocupe mucho espacio y no sea tan pesado.
dem2=terra::aggregate(dem,2,"mean")En esta sección se utiliza la función st_read() del paquete sf para cargar un archivo espacial en formato GeoPackage (.gpkg) que contiene la información geográfica de los municipios del departamento del Cauca. El objeto resultante, llamado munic, es una colección de 42 entidades espaciales del tipo MULTIPOLYGON, cada una con 11 atributos asociados. Esta lectura permite trabajar con datos vectoriales en R para su análisis y visualización dentro del contexto de la geomática.
(munic<- sf::st_read("datos/cauca_munic.gpkg"))## Reading layer `cauca_munic' from data source
## `E:\Acer\Universidad Nacional de Colombia sede Bogota\sexto\geomatica\GB2 juan\r proyect notebook\geomorfometria\datos\cauca_munic.gpkg'
## using driver `GPKG'
## Simple feature collection with 42 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -77.92834 ymin: 0.9580285 xmax: -75.74782 ymax: 3.328941
## Geodetic CRS: MAGNA-SIRGASEn este caso vamos a recortar los datos obtenidos anteirormente de dem2 para tener los datos recortados para el departamento del cauca ajustados a las medidas justas que se requiere.
dem3=terra::crop(dem2,munic,mask=TRUE)3. Transformar
Se utilizó la función project() para reproyectar el modelo de elevación digital dem3 al sistema de coordenadas MAGNA-SIRGAS 2018 / Origen Nacional (EPSG:9377), generando un nuevo raster llamado dem_plane. Este objeto es de clase SpatRaster, con una resolución espacial de 609.7177 metros por celda y dimensiones de 432 filas y 399 columnas. La extensión espacial del raster va de 4451430 a 4694708 en el eje X y de 1664048 a 1927446 en el eje Y. Este proceso asegura que los datos trabajen bajo un sistema de referencia oficial en Colombia, permitiendo su integración con otras capas espaciales en análisis geográficos.
(dem_plane=project(dem3,"EPSG:9377"))## class : SpatRaster
## dimensions : 432, 399, 1 (nrow, ncol, nlyr)
## resolution : 609.7177, 609.7177 (x, y)
## extent : 4451430, 4694708, 1664048, 1927446 (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s) : memory
## name : elev_cauca_z8
## min value : -89.38462
## max value : 5240.40283De la misma forma tenemos que transformar el objeto munic al mimo sistema de cooredenadas planas usando st_transform del paquete que disponemos de sf, haciendo que este se guarde en munic_plane.
(munic_plane=sf::st_transform(munic,"EPSG:9377"))4. Calculo de los atributos.
En este bloque de código se utiliza la función SlpAsp() del paquete MultiscaleDTM para calcular dos propiedades geomorfológicas clave a partir del modelo de elevación (dem_plane), vamos a evaluar la pendiente y la orientacion, Este análisis es clave para entender cómo varía la topografía en el terreno y es útil en estudios de geomorfología.
(slp_asp = MultiscaleDTM::SlpAsp(
dem_plane,
w = c(3, 3),
unit = "degrees",
method = "queen",
metrics = c("slope", "aspect"),
na.rm = TRUE,
include_scale = FALSE,
mask_aspect = TRUE
))## class : SpatRaster
## dimensions : 432, 399, 2 (nrow, ncol, nlyr)
## resolution : 609.7177, 609.7177 (x, y)
## extent : 4451430, 4694708, 1664048, 1927446 (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s) : memory
## names : slope, aspect
## min values : 8.164541e-04, 1.995955e-03
## max values : 3.657462e+01, 3.599998e+02Lo que hacemos aqui es uqe tomamos el objeto de de tipo spatRaster, que viene del paquete terra el cual es el slp_asp y seleccionamos la primera capa la cual seria la pendiente.
(slope = subset(slp_asp, 1))## class : SpatRaster
## dimensions : 432, 399, 1 (nrow, ncol, nlyr)
## resolution : 609.7177, 609.7177 (x, y)
## extent : 4451430, 4694708, 1664048, 1927446 (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s) : memory
## name : slope
## min value : 8.164541e-04
## max value : 3.657462e+01A continuación,en este paso se utiliza la función terra::hist() para generar un histograma que representa la distribución de la pendiente del terreno (en grados) a partir del modelo de elevación del Cauca. Se observa que la mayoria de las pendentes estan entre 0°-10°, osea que no hay mucha pendiente en este departamento.
terra::hist(slope,
main = "Pendiente de Cauca",
xlab = "Pendiente (in degrees)")
Aqui extraemos las capa que hace referencia a la orientación del terreno.
(aspect =subset(slp_asp, 2))## class : SpatRaster
## dimensions : 432, 399, 1 (nrow, ncol, nlyr)
## resolution : 609.7177, 609.7177 (x, y)
## extent : 4451430, 4694708, 1664048, 1927446 (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s) : memory
## name : aspect
## min value : 1.995955e-03
## max value : 3.599998e+02En este grafico vamos a mirar la frecuencia y hacia que orientacion esta dado, ya que tenemos los grados en el eje x y la fercuencia, osea cuanto e repite esto, en el eje y, en el eje x tenemos que 0° o 360° es norte, 90° es este, 180° es el sur y 270° es el oeste.
Podemos decir que hay un aumento notable en las frecuencias entre 270° y 320°, osea hay muchas pendientes orientadas hacia osete-noreste del Cauca.
terra::hist(aspect,
main = "Cauca's aspect",
xlab = "Aspect (in degrees)")
Ahora vamos a pasar de grados a porcentaje en los valores dados.
(slope_perc = tan(slope*(pi/180))*100)## class : SpatRaster
## dimensions : 432, 399, 1 (nrow, ncol, nlyr)
## resolution : 609.7177, 609.7177 (x, y)
## extent : 4451430, 4694708, 1664048, 1927446 (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s) : memory
## name : slope
## min value : 0.001424981
## max value : 74.197847671Aqui podemos analizar que en el grafico ya tenemos algo mas claro y es que el terreno de cauca no es muy freceunte ver muchas pendientes, es un territorio mayormente plano.
terra::hist(slope_perc,
main = "Cauca's slope",
xlab = "Slope (in percentage)")
5. Clasificación.
Aqui lo que vamos a hacer es calsificar las pemdientes dependiendo del numero de grado que tenga cada una en cuanto al porcentaje que muestre este en el terreno.
m <- c(0, 3, 1,
3, 7, 2,
7, 12, 3,
12, 25, 4,
25, 50, 5,
50, 75, 6,
75, 80, 7)
m <- matrix(m, ncol=3, byrow = TRUE)
rc <- classify(slope_perc, m, right=TRUE)Luego, vamos a sacar la pendiente media de cada municipio de los porcentajes.
(munic$mean_slope <- exactextractr::exact_extract(slope_perc, munic, 'mean'))## Warning in .local(x, y, ...): Polygons transformed to raster CRS (EPSG:9377)##
|
| | 0%
|
|== | 2%
|
|=== | 5%
|
|===== | 7%
|
|======= | 10%
|
|======== | 12%
|
|========== | 14%
|
|============ | 17%
|
|============= | 19%
|
|=============== | 21%
|
|================= | 24%
|
|================== | 26%
|
|==================== | 29%
|
|====================== | 31%
|
|======================= | 33%
|
|========================= | 36%
|
|=========================== | 38%
|
|============================ | 40%
|
|============================== | 43%
|
|================================ | 45%
|
|================================= | 48%
|
|=================================== | 50%
|
|===================================== | 52%
|
|====================================== | 55%
|
|======================================== | 57%
|
|========================================== | 60%
|
|=========================================== | 62%
|
|============================================= | 64%
|
|=============================================== | 67%
|
|================================================ | 69%
|
|================================================== | 71%
|
|==================================================== | 74%
|
|===================================================== | 76%
|
|======================================================= | 79%
|
|========================================================= | 81%
|
|========================================================== | 83%
|
|============================================================ | 86%
|
|============================================================== | 88%
|
|=============================================================== | 90%
|
|================================================================= | 93%
|
|=================================================================== | 95%
|
|==================================================================== | 98%
|
|======================================================================| 100%## [1] 6.0591545 21.2668552 25.5946407 23.8386974 16.3837967 11.3771334
## [7] 8.0072994 10.7128363 12.0224895 16.9185810 17.1392117 14.1960907
## [13] 0.5801414 6.3647037 15.0563478 20.2112751 12.2242479 17.6430302
## [19] 10.1799469 10.2113247 14.3064795 13.4449120 0.4071290 20.6346149
## [25] 10.3958302 9.3028030 5.8970127 0.2290211 11.6826315 13.3244066
## [31] 13.2739315 7.3543401 18.1282501 11.7993879 13.3046751 15.0261841
## [37] 18.0949020 5.2900014 6.7969737 21.5576363 9.3154936 0.2428199Despues de haber sacado la media, podemos hacer una grafica representativa que nos diga como se distribuyen las pendientes y cuales son las que mas predmominan en un histograma. Cauca tiene una topografía variada, pero predominan las pendientes intermedias. Hay un pico entre el 10% y 15%, lo que significa que muchas zonas tienen una pendiente moderada. Esto sugiere que hay zonas onduladas, ni totalmente planas ni extremadamente montañosas.
hist(munic$mean_slope,
main = "Cauca's mean slope",
xlab = "Slope (in percentage)")
En esta parte vamos a tener que en el objeto class creado vamos a tener la moda de los valores osea los valores que mas se repiten.
(munic$class <- exactextractr::exact_extract(rc, munic, 'mode'))## Warning in .local(x, y, ...): Polygons transformed to raster CRS (EPSG:9377)##
|
| | 0%
|
|== | 2%
|
|=== | 5%
|
|===== | 7%
|
|======= | 10%
|
|======== | 12%
|
|========== | 14%
|
|============ | 17%
|
|============= | 19%
|
|=============== | 21%
|
|================= | 24%
|
|================== | 26%
|
|==================== | 29%
|
|====================== | 31%
|
|======================= | 33%
|
|========================= | 36%
|
|=========================== | 38%
|
|============================ | 40%
|
|============================== | 43%
|
|================================ | 45%
|
|================================= | 48%
|
|=================================== | 50%
|
|===================================== | 52%
|
|====================================== | 55%
|
|======================================== | 57%
|
|========================================== | 60%
|
|=========================================== | 62%
|
|============================================= | 64%
|
|=============================================== | 67%
|
|================================================ | 69%
|
|================================================== | 71%
|
|==================================================== | 74%
|
|===================================================== | 76%
|
|======================================================= | 79%
|
|========================================================= | 81%
|
|========================================================== | 83%
|
|============================================================ | 86%
|
|============================================================== | 88%
|
|=============================================================== | 90%
|
|================================================================= | 93%
|
|=================================================================== | 95%
|
|==================================================================== | 98%
|
|======================================================================| 100%## [1] 1 4 5 5 4 4 1 4 4 4 4 4 1 1 4 4 4 4 1 4 1 4 1 4 2 1 1 1 4 4 4 1 4 4 4 4 4 1
## [39] 1 4 3 1Aqui vamos a mirar en el grafico del histograma que la pendiente mas repetida y las que mas se encuentra es la 4.
hist(munic$class,
main = "Recalsificación de pendiente",
xlab = "Pendiente (por categoria)")
Pasamos las coordenadas raster a geograficas (4326)
(rc.geo = project(rc, "EPSG:4326"))## class : SpatRaster
## dimensions : 434, 399, 1 (nrow, ncol, nlyr)
## resolution : 0.005490595, 0.005490595 (x, y)
## extent : -77.93401, -75.74326, 0.9565678, 3.339486 (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326)
## source(s) : memory
## name : slope
## min value : 1
## max value : 6Lo que estás haciendo aquí es reproyectar un raster llamado slope_perc al sistema de coordenadas geográficas EPSG:4326 (WGS 84) y guardarlo como slope.geo.
(slope.geo = project(slope_perc, "EPSG:4326"))## class : SpatRaster
## dimensions : 434, 399, 1 (nrow, ncol, nlyr)
## resolution : 0.005490595, 0.005490595 (x, y)
## extent : -77.93401, -75.74326, 0.9565678, 3.339486 (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326)
## source(s) : memory
## name : slope
## min value : 0.004573855
## max value : 71.354812622Definimos la paleta de colores personalizada que se va a utilizar en el mapa.
palredgreen <- colorNumeric(c("darkseagreen3","yellow2", "orange", "brown2", "darkred"), values(slope.geo),
na.color = "transparent")Aqui reproyectamos los poligonos “munic” al sistema de coordenadas EPSG 4326.
munic_wgs84 <- st_transform(munic, crs = 4326)5. Visualisación Pendiente
Este código crea un mapa interactivo usando leaflet que combina capas vectoriales (municipios) y raster (pendiente del terreno).
leaflet(munic_wgs84) %>% addTiles() %>% setView(-75.9, 2.0, 8) %>%
addPolygons(color = "gray", weight = 1.0, smoothFactor = 0.5,
opacity = 0.4, fillOpacity = 0.10,
popup = paste("Municipio: ", munic$mpio_cnmbr, "<br>",
"Slope class: ", munic$class, "<br>")) %>%
addRasterImage(slope.geo, colors = palredgreen, opacity = 0.8) %>%
addLegend(pal = palredgreen, values = values(slope.geo),
title = "Cauca pendiente porcentaje (%)")El mapa muestra la pendiente del terreno en Cauca usando una escala de colores: verde para pendientes bajas, amarillo y naranja para pendientes medias, y rojo para pendientes elevadas. Esto permite identificar zonas planas y montañosas, lo cual es útil para evaluar riesgos de erosión, aptitud agrícola y planificación territorial. La visualización facilita el análisis espacial al integrar información raster y vectorial de manera clara y dinámica. Ademas de lo anterior, se puede evidenciar las dos formaciones montañosas que se pasan por el Cauca como es la cordillera central y oriental que predominan por sus pendientes.
6. Visualizacion alternativa del terreno de la pendiente en grados.
A continuación vamos a visualizar el mapa en grados y con los respectivos nombres de cada municipio que le corresponde al departamento del Cauca.
library(sf)
library(terra)
library(leaflet)Cambiamos el sistema de coordenadas para evitar futuros eerores en el cuaderno
print(st_crs(munic))## 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]]if (st_crs(munic)$epsg != 4326) {
munic <- st_transform(munic, crs = 4326)
}
print(terra::crs(slope.geo))## [1] "GEOGCRS[\"WGS 84\",\n ENSEMBLE[\"World Geodetic System 1984 ensemble\",\n MEMBER[\"World Geodetic System 1984 (Transit)\"],\n MEMBER[\"World Geodetic System 1984 (G730)\"],\n MEMBER[\"World Geodetic System 1984 (G873)\"],\n MEMBER[\"World Geodetic System 1984 (G1150)\"],\n MEMBER[\"World Geodetic System 1984 (G1674)\"],\n MEMBER[\"World Geodetic System 1984 (G1762)\"],\n MEMBER[\"World Geodetic System 1984 (G2139)\"],\n ELLIPSOID[\"WGS 84\",6378137,298.257223563,\n LENGTHUNIT[\"metre\",1]],\n ENSEMBLEACCURACY[2.0]],\n PRIMEM[\"Greenwich\",0,\n ANGLEUNIT[\"degree\",0.0174532925199433]],\n CS[ellipsoidal,2],\n AXIS[\"geodetic latitude (Lat)\",north,\n ORDER[1],\n ANGLEUNIT[\"degree\",0.0174532925199433]],\n AXIS[\"geodetic longitude (Lon)\",east,\n ORDER[2],\n ANGLEUNIT[\"degree\",0.0174532925199433]],\n USAGE[\n SCOPE[\"Horizontal component of 3D system.\"],\n AREA[\"World.\"],\n BBOX[-90,-180,90,180]],\n ID[\"EPSG\",4326]]"if (terra::crs(slope.geo, describe = TRUE)$code != 4326) { names(slope.geo) <- "slope"
slope.geo <- terra::project(slope.geo, "EPSG:4326")
}Se hace un respectivo analisis de los centroides de los municipios del departamento del Cauca.
centers <- st_centroid(munic)Visualisación del mapa
En el sigueinte mapa vamos a obtener las pendientes generadas en cada uno de los municipios del departamento y opr la cual se da una caracteristica de color por la cual se dimensiona un cambio.
palredgreen <- colorNumeric(palette = c("#EEDFCC","#BF3EFF","darkseagreen3","#C1CDCD", "#0000CD", "brown2","#8B4513", "darkred"),
domain = values(slope.geo, na.rm = TRUE))
leaflet(munic) %>%
addTiles() %>%
setView(lng = -75.9, lat = 2.0, zoom = 8) %>%
addPolygons(color = "black", weight = 1.0, smoothFactor = 0.5,
opacity = 0.30, fillOpacity = 0.05,
popup = paste("Municipio: ", munic$mpio_cnmbr, "<br>",
"Km2: ", munic$area, "<br>",
"Pendiente media Cauca (grados): ", round(munic$class, 2), "<br>")) %>%
addLabelOnlyMarkers(
data = centers,
lng = ~st_coordinates(centers)[,1],
lat = ~st_coordinates(centers)[,2],
label = ~paste(mpio_cnmbr, " ", round(munic$class, 2), "°"),
labelOptions = labelOptions(
noHide = TRUE,
direction = 'top',
textOnly = TRUE,
textsize = "10px",
style = list(
"color" = "black",
"font-family" = "Georgia",
"font-weight" = "bold",
"background-color" = "rgba(255,255,255,0.6)",
"padding" = "4px",
"border-radius" = "4px"
)
)
) %>%
addRasterImage(slope.geo, colors = palredgreen, opacity = 0.9, project = FALSE) %>%
addLegend(pal = palredgreen, values = values(slope.geo),
title = "Pendiente de Cauca (grados)")El mapa de pendientes del Cauca muestra una variación significativa entre los municipios, con valores promedio que van de 1° a 5°. Las zonas más planas como Guapi, Timbiquí y Piamonte son ideales para agricultura mecanizada y desarrollo urbano, mientras que municipios como Argelia y Balboa, con mayores pendientes, enfrentan riesgos de erosión y deslizamientos, requiriendo técnicas de manejo de suelos. Esta diversidad topográfica influye en el uso del suelo, la gestión de riesgos naturales y la planificación territorial. En conjunto, el mapa sirve como herramienta clave para tomar decisiones informadas que promuevan un desarrollo sostenible en la región.
Visualizacion aspecto del terreno
En esta parte podremos visualizar el sigueinte mapa con la caracteristica de que miraremos las pendeintes de Cauca mediante el metodo plano por el que nos guiamos para hacer el siguiente mapa.
library(raster)## Warning: package 'raster' was built under R version 4.3.3## Loading required package: sp## Warning: package 'sp' was built under R version 4.3.3elev_cauca <- raster("datos/elev_cauca_z8.tif")
exten_cauca <- extent(-78, -75, 1, 2)
elev_cauca_fin <- crop(elev_cauca, exten_cauca)
elev_cauca_fin_reducida <- aggregate(elev_cauca, fact=8)
aspecto_final <- terrain(elev_cauca_fin_reducida, opt="aspect", unit= "degrees", neighbors=8)
#Paleta de colores
colors <- colorRampPalette(c("magenta","orange","red", "yellow", "green","blue"))(255)
leaflet() %>%
addTiles() %>%
setView(lng = -75.9, lat = 2.0, zoom = 7.2) %>%
addRasterImage(aspecto_final, colors = colors, opacity = 0.8) %>%
addLegend(pal = colorNumeric(c("magenta", "red", "yellow", "orange", "green", "blue"), values(aspecto_final)), values = values(aspecto_final), title = "Aspecto del terreno")El mapa de aspecto del terreno en Cauca muestra cómo se orientan las pendientes en cada zona del departamento. Esta orientación, representada en distintos colores según el ángulo, influye en factores como la radiación solar, la humedad del suelo y el tipo de vegetación. Por ejemplo, las laderas con orientación sur pueden recibir más luz solar, lo que beneficia ciertos cultivos, mientras que las orientadas al norte suelen ser más frescas y húmedas. También se identifican áreas sin dirección dominante (zonas grises), que corresponden a terrenos planos o cuerpos de agua. Esta información es útil para planificar el uso agrícola del suelo, evaluar riesgos de erosión y diseñar estrategias de conservación adecuadas a cada orientación.
En resumen, comprender el aspecto del terreno en Cauca permite adaptar mejor las prácticas agrícolas y ambientales a las condiciones locales, promoviendo un manejo territorial más eficiente y sostenible.
sessionInfo()## R version 4.3.2 (2023-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 11 x64 (build 26100)
##
## Matrix products: default
##
##
## locale:
## [1] LC_COLLATE=Spanish_Colombia.utf8 LC_CTYPE=Spanish_Colombia.utf8
## [3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Colombia.utf8
##
## time zone: America/Bogota
## tzcode source: internal
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] raster_3.6-32 sp_2.2-0 exactextractr_0.10.0
## [4] MultiscaleDTM_0.9.1 terra_1.8-29 leaflet_2.2.2
## [7] sf_1.0-20 elevatr_0.99.0
##
## loaded via a namespace (and not attached):
## [1] s2_1.1.7 utf8_1.2.4 sass_0.4.8 generics_0.1.3
## [5] class_7.3-22 KernSmooth_2.23-22 lattice_0.21-9 digest_0.6.34
## [9] magrittr_2.0.3 rgl_1.3.1 evaluate_0.23 grid_4.3.2
## [13] fastmap_1.2.0 jsonlite_1.8.8 e1071_1.7-16 DBI_1.2.3
## [17] promises_1.3.2 purrr_1.0.2 fansi_1.0.6 scales_1.3.0
## [21] crosstalk_1.2.1 codetools_0.2-19 jquerylib_0.1.4 cli_3.6.2
## [25] shiny_1.10.0 rlang_1.1.3 units_0.8-7 ellipsis_0.3.2
## [29] munsell_0.5.1 base64enc_0.1-3 cachem_1.1.0 yaml_2.3.8
## [33] tools_4.3.2 dplyr_1.1.4 colorspace_2.1-0 httpuv_1.6.14
## [37] png_0.1-8 vctrs_0.6.5 R6_2.5.1 mime_0.12
## [41] proxy_0.4-27 lifecycle_1.0.4 classInt_0.4-11 htmlwidgets_1.6.4
## [45] pkgconfig_2.0.3 progressr_0.15.1 bslib_0.6.1 pillar_1.9.0
## [49] later_1.3.2 glue_1.7.0 Rcpp_1.0.12 highr_0.10
## [53] tidyselect_1.2.1 tibble_3.2.1 xfun_0.42 rstudioapi_0.17.1
## [57] knitr_1.45 farver_2.1.1 xtable_1.8-4 htmltools_0.5.7
## [61] rmarkdown_2.25 wk_0.9.4 compiler_4.3.2