Interpolacion espacial
Roma Recchia
23 de julio de 2025
1. Introducción
En este notebook se aplican técnicas de interpolación espacial, dentro de las que destacan IDW y Kriging Ordinary (OK), estas permiten estimar diferentes variables que permiten evaluar a un terreno, en este caso, se estimará el contenido de carbono orgánico en el departamento de Norte de Santander con una profundidad de 15 a 30 cm usando IDW que asigna valores según la proximidad de las muestras y OK que se encarga de incorporar la estructura espacial de los datos para mayor precisión. La base de datos usada para el desarrollo de este proyecto pertenece a SOIL GRIDS.
2. Configuración del notebook
Limpieza de la memoria del programa usando
rm(list=ls())Se instalan las librerías necesarias para el cuaderno
library(terra) # Datos raster espaciales## Warning: package 'terra' was built under R version 4.5.1## terra 1.8.60library(sf) #Datos vectoriales espaciales## Warning: package 'sf' was built under R version 4.5.1## Linking to GEOS 3.13.1, GDAL 3.11.0, PROJ 9.6.0; sf_use_s2() is TRUElibrary(sp) # Datos espaciales vectoriales## Warning: package 'sp' was built under R version 4.5.1library(stars) # Datos raster multidimensionales## Warning: package 'stars' was built under R version 4.5.1## Cargando paquete requerido: abindlibrary(terra)
library(sf)
library(sp)
library(stars)
library(gstat)## Warning: package 'gstat' was built under R version 4.5.1library(automap)## Warning: package 'automap' was built under R version 4.5.1library(RColorBrewer)
library(leaflet)## Warning: package 'leaflet' was built under R version 4.5.1library(leafem)## Warning: package 'leafem' was built under R version 4.5.1library(curl)## Warning: package 'curl' was built under R version 4.5.1## Using libcurl 8.14.1 with SchannelHaciendo uso del paquete curl, este código permite realizar solicitudes HTTP de manera eficiente y flexible, usando handle 2 es posible hacer que las solicitudes a la web sean rápidas y eficientes, evitando sobrecargar los servidores.
h <- new_handle()
handle_setopt(h, http_version = 2)list.files()## [1] "[Sarah_Parks]_Drawing_Secrets_Revealed_-_Basics.pdf"
## [2] "「Manera, Domingo」 Gran curso de dibujo (Editorial De Vecchi).pdf"
## [3] "1.jpg"
## [4] "1334c89d-ff3b-49b2-a988-f2ccc95fb8cd.png"
## [5] "14bb39b1-9f87-47fa-ba8d-e4f015a77f8a.png"
## [6] "17e0e365-26ac-4abf-ae68-ffc77c0ecbba.png"
## [7] "2.jpg"
## [8] "2011.Soil Genesis and Classification_6Ed_Wiley-Buol_Southard_Graham_McDaniel (1).pdf"
## [9] "3.jpg"
## [10] "34c26fdd-812b-4414-804f-2dafbe6aae6c.png"
## [11] "3c669e1f-ae7e-401e-94bc-21216c8d9de6.png"
## [12] "4.jpg"
## [13] "46a99ac8-85f0-4fc6-b1bd-c031c6eb9eb2.png"
## [14] "564c6748-da4a-4624-a82e-1eba142688ef.png"
## [15] "5c81ffe1-6132-4c48-8762-3e794c71b910.png"
## [16] "626505ab-83d9-4809-a0f3-eaee2617f367.png"
## [17] "65ad6805-6a7d-450d-b894-0a78b1dc8639.png"
## [18] "82a07a5c-9a3d-49ae-b91b-fbf55c3abc70.png"
## [19] "9b4a10c8-2bb6-44a8-8032-a38d34768fa9.png"
## [20] "ac90a094-08f3-444c-a49a-c21bff0c2dc0.png"
## [21] "ad510646-6a0e-4438-ab86-a44cfe0a38a6.png"
## [22] "Adjunto 1.pdf"
## [23] "Adjunto 2.jpg"
## [24] "Adjunto 3.docx"
## [25] "Aleman_A1_Expresiones_Clave.csv"
## [26] "alterna.jpg"
## [27] "ART_Control over DNA replication in time and space.pdf"
## [28] "Art1_G1_G2-1.pdf"
## [29] "Art1_G1_G2.pdf"
## [30] "Asp.jpg"
## [31] "b0b4f838-bd53-4a85-a2c1-76f6cb0e2dfb.png"
## [32] "b759d2b3-920d-4175-9a87-3096e24e5adf.png"
## [33] "barefoot-ponozky-low-cut-essentials-black-76530-size-large-v-1.png"
## [34] "Bernal-Omar-Genealogia-de-La-Palabra-Dibujo.pdf"
## [35] "Black Hat Python Python Programming for Hackers and Pentesters (Justin Seitz, Tim Arnold) (Z-Library).pdf"
## [36] "Brock Biología de los Microorganismos 14ª Edición (BOOKSMEDICOS.ORG) (Z-Library).pdf"
## [37] "Capitulo1_Introduccion.pdf"
## [38] "CAUCA_CAPACIDAD_VF"
## [39] "CAUCA_SUELOS_VF.zip"
## [40] "ChatGPT Image 14 jul 2025, 08_54_39 p.m..png"
## [41] "ChatGPT Image 14 jul 2025, 10_54_22 p.m..png"
## [42] "ChatGPT Image 14 jul 2025, 10_54_46 p.m..png"
## [43] "ChatGPT Image 14 jul 2025, 11_08_04 p.m..png"
## [44] "Ciclo Biogeoquímicos .pdf"
## [45] "Clastri.jpg"
## [46] "Condiciones del estiércol bovino que permiten el crecimiento de _Psilocybe cubensis_.pdf"
## [47] "CUNDINAMARCA_CAPACIDAD_VF.zip"
## [48] "CUNDINAMARCA_SUELOS_VF.zip"
## [49] "desktop.ini"
## [50] "Dibujo técnico y geométrico (Emilio Pérez Ramírez Gerardo López Campoy) (Z-Library).pdf"
## [51] "Diseño sin título.png"
## [52] "Distribuciones_Discretas-1.pdf"
## [53] "Documento sin nombre(9).pdf"
## [54] "DSC_0043.JPG"
## [55] "DSC_0149.JPG"
## [56] "e9968c1b-ebb5-49bd-92e3-85e49d336453.png"
## [57] "ea6ff1a0-0378-402c-b7db-9d4d19cc659b.png"
## [58] "Edwards-Betty-Aprender-a-Dibujar.pdf"
## [59] "EdwardsBetty Nuevo Aprender a Dibujar con el lado derecho del cerebro -.pdf"
## [60] "El Poder de la Gratitud 7 Ejercicios Simples que van a cambiar tu vida a mejor - incluye un diario de gratitud de 90 días... (Marc Reklau) (Z-Library).pdf"
## [61] "Esquema_de_Propiedades_del_Suelo_y_Manejo_Agron_mico.csv"
## [62] "Esquema_de_Propiedades_del_Suelo_y_Manejo_Agron_mico.csv.xlsx"
## [63] "Estadios.docx"
## [64] "estadistica.xlsx"
## [65] "f25349ea-b91b-4cc1-938b-a315feeccf1d.png"
## [66] "f8df2662-b2fe-41a2-8eb1-9969094a62b6.png"
## [67] "fc10c385-5600-4c62-880d-88798a781991.png"
## [68] "fc1f5a35-32ad-4121-ba6d-33014ff79559.png"
## [69] "Fusarium.jpg"
## [70] "Geomorphometry.np.html"
## [71] "Geomorphometry.Rmd"
## [72] "Ghost in the Wires My Adventures as the Worlds Most Wanted Hacker ( etc.) (Z-Library).pdf"
## [73] "Hongos del rumen y sus interacciones microbianas – Artículo científico Q1 seleccionado (2021).pdf"
## [74] "Identificadores_HWA"
## [75] "ilovepdf_merged-1.pdf"
## [76] "Imagen de WhatsApp 2025-07-01 a las 12.31.41_e80720ab.jpg"
## [77] "Imagen de WhatsApp 2025-07-08 a las 07.53.23_c879d909.jpg"
## [78] "Imagen de WhatsApp 2025-07-08 a las 07.53.23_f8475747.jpg"
## [79] "Imagen de WhatsApp 2025-07-08 a las 07.53.25_a3b23f53.jpg"
## [80] "Imagen de WhatsApp 2025-07-08 a las 07.53.26_081cdd34.jpg"
## [81] "Imagen de WhatsApp 2025-07-08 a las 07.53.26_6f893804.jpg"
## [82] "Imagen de WhatsApp 2025-07-08 a las 07.53.26_89d9dc71.jpg"
## [83] "Imagen de WhatsApp 2025-07-22 a las 23.17.26_68d8d18e.jpg"
## [84] "INFORME_LABORATORIO_7_suelo-1.pdf"
## [85] "INFORME_LABORATORIO_7_suelo-2.pdf"
## [86] "INFORME_LABORATORIO_7_suelo.pdf"
## [87] "Interacción de _Psilocybe_ con el rumen bovino_ Evidencias científicas recientes.pdf"
## [88] "Interpolacion2.html"
## [89] "Interpolacion2.Rmd"
## [90] "Investigación de mercado agrario-alimentario Orellanas.docx"
## [91] "Investigación de mercado agrario-alimentario Orellanas[1].pdf"
## [92] "Jun 19, 9.30 AM.aac"
## [93] "La célula G2.pdf"
## [94] "Laboratorio 1_Relaciones masa volumen.pdf"
## [95] "Laboratorio 2_densidad real_estabilidad estructural.pdf"
## [96] "Laboratorio 3_textura.pdf"
## [97] "Laboratorio 4_Consistencia.pdf"
## [98] "Laboratorio 5_Respiración_CO y MOS.pdf"
## [99] "Laboratorio 6_Bases intercambiables y CIC.pdf"
## [100] "Laboratorio 7_pH, acidez intercambiable y CE.pdf"
## [101] "Laboratorios ciencias del suelo.xlsx"
## [102] "Lectura 2_How to be a plant-1.pdf"
## [103] "Lectura 2_How to be a plant.pdf"
## [104] "Lectura 3_Genomas-1.pdf"
## [105] "Lectura 3_Genomas.pdf"
## [106] "Levantamiento agrologico Marengo.pdf"
## [107] "Linux Basics for Hackers (OccupyTheWeb) (Z-Library).pdf"
## [108] "Martes_11-1_Ortiz_Jimenez_Suarez_Bermudez.pdf"
## [109] "mbio.01442-21.pdf"
## [110] "Meiosis.png"
## [111] "Metasploit (Kearns, Devon, O 39Gorman, Jim, Kennedy etc.) (Z-Library).pdf"
## [112] "Metodologia_XB3_tolerancia_sequia.pptx"
## [113] "Métodos analíticos de microbiología general y aplicada (Jorge Alberto Luna Fontalvo) (Z-Library).pdf"
## [114] "microbiología recomendaciones para el seminario.pdf"
## [115] "microbiología.pdf"
## [116] "molecular-1.pdf"
## [117] "Molecular.pdf"
## [118] "MPIOS_PLANAS_MAGNA.zip"
## [119] "Netzwerk Neu A1 - Übungsbuch.pdf"
## [120] "NORTE DESANTANDER_ELEV.tif"
## [121] "NORTECITPROMEDIO.tif"
## [122] "Op-Cap. 1146.pdf"
## [123] "Op-Cap. 1154.pdf"
## [124] "Paarcial Al.jpg"
## [125] "parcial Al.jpg"
## [126] "Parcial de Micro Santi.pdf"
## [127] "Parcial de Micro Sebas.pdf"
## [128] "Plan_de_Estudios_Bioestadística_Fundamental_Grupo_11-1.pdf"
## [129] "Plan_de_Estudios_Bioestadística_Fundamental_Grupo_11.pdf"
## [130] "Presentación final de suelo.xlsx"
## [131] "Presentacion_6_G1_Recombinacion_ET_20052025.pdf"
## [132] "Presentacion_6_G1_Recombinacion_ET_20052025.pptx"
## [133] "Presentacion_7_G1_Transposicion_ET_15052025.pdf"
## [134] "Presentacion_7_G1_Transposicion_ET_15052025.pptx"
## [135] "Presentacion_EdicionGenica_CRiSPR_ET_10062025.pdf"
## [136] "presentacion_modelo_azul_2020.pptx"
## [137] "presentacion_modelo_beige_2020.pptx"
## [138] "Presentacion_TransformacionPlantas_ET_03062025.pdf"
## [139] "Pruebabioquímica.pdf"
## [140] "Punto 4.png"
## [141] "R-4.5.0-win.exe"
## [142] "R-4.wQvBjg68.5.1-win.exe.part"
## [143] "RStudio-2025.05.1-513.exe"
## [144] "Rúbrica presentación factores formadores_suelos_funciones.pdf"
## [145] "Rúbrica presentación final_Grupo 1.pdf"
## [146] "Ryzopus.jpg"
## [147] "s42523-025-00386-z.pdf"
## [148] "Screenshot 2025-04-29 at 16-58-56 Meet - mdj-dfrh-dqu.png"
## [149] "Segunda entrega transversal G2.pdf"
## [150] "Seminario de Micro.pdf"
## [151] "Sin título.jpg"
## [152] "Spanish-Keys-to-Soil-Taxonomy.pdf"
## [153] "Statistical Inference, 2e (George Casella, Roger L. Berger) (Z-Library).pdf"
## [154] "Suelos Qgis"
## [155] "Suelos Usos.xlsx"
## [156] "Taller 1.pdf"
## [157] "Taller 2 Final.pdf"
## [158] "taller 2(2) Roma .pdf"
## [159] "Taller 2.pdf"
## [160] "Taller 2car.pdf"
## [161] "Taller Bioestadistica 1"
## [162] "Taller de escritura creativa Ejercicios prácticos, recursos e ideas para contar historias (Spanish Edition) (Baltazar Boeuf [Boeuf, Baltazar]) (Z-Library).azw3"
## [163] "Taller.pdf"
## [164] "Taller_diluciones_refuerzo.pdf"
## [165] "Taller_Práctico_2_Bioestadística_Fundamental.pdf"
## [166] "Taller_Práctico_3_Bioestadística_Fundamental.pdf"
## [167] "Taller_Práctico_4_Bioestadística_Fundamental.pdf"
## [168] "Taller_Práctico_5_Bioestadística_Fundamental-1.pdf"
## [169] "Taller_Práctico_5_Bioestadística_Fundamental.pdf"
## [170] "Taller_Práctico_7_Bioestadística_Fundamental.pdf"
## [171] "Taller_Teórico_1_Bioestádistica_Fundamental.pdf"
## [172] "Taller_Teórico_3_Bioestadística_Fundamental.pdf"
## [173] "Taller_Teórico_5_Bioestadística_Fundamental-1.pdf"
## [174] "Taller_Teórico_5_Bioestadística_Fundamental.pdf"
## [175] "Taller_Teórico_7_Bioestadística_Fundamental.pdf"
## [176] "Taller_Teórico_9_Bioestadística_Fundamental.pdf"
## [177] "Tecnicas moleculares_ET_29052025.pptx"
## [178] "The Complete Book of Drawing Techniques A Professional Guide for the Artist (Peter Stanyer) (Z-Library).pdf"
## [179] "The Pragmatic Programmer your journey to mastery, 20th Anniversary Edition, 2nd Edition (David Thomas Andrew Hunt) (Z-Library).epub"
## [180] "The Rumen and its Microbes (Robert E. Hungate (Auth.)) (Z-Library).pdf"
## [181] "The Rumen Microbial Ecosystem (P. N. Hobson (auth.), P. N. Hobson etc.) (Z-Library).pdf"
## [182] "Traduccion_Ejemplo_Genesis_Suelos.pdf"3. Lectura de los datos
El archivo anteriormente descargado de SOIL GRIDS, corresponde a los valores de SOC de 15-30 cm de profundidad, poseen un tamaño de celda de 0.002m*0.002m; estas se cuardan en archivo geopackge, y se convierte a archivo tipo raster.
archivo <- ("NORTECITPROMEDIO.tif")
(soc <- rast(archivo))## class : SpatRaster
## size : 1013, 490, 1 (nrow, ncol, nlyr)
## resolution : 0.002262041, 0.002388944 (x, y)
## extent : -73.1484, -72.04, 6.87, 9.29 (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326)
## source : NORTECITPROMEDIO.tif
## name : NORTECITPROMEDIOLos datos anteriormente nombrados, vienen en unidades distintas a las aceptadas por el sistema internacional de medidas, así, debe hacerse la siguiente conversión, dividimos en 10 para conservar las cifras decimales significativas
soc.perc <- soc/10Transformación de los datos de CRS a el sistema WGS84 CRS:
geog ="+proj=longlat +datum=WGS84"
(geog.soc = project(soc.perc, geog))## class : SpatRaster
## size : 1023, 469, 1 (nrow, ncol, nlyr)
## resolution : 0.002365405, 0.002365405 (x, y)
## extent : -73.1484, -72.03903, 6.870191, 9.29 (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=longlat +datum=WGS84 +no_defs
## source(s) : memory
## name : NORTECITPROMEDIO
## min value : 0.00000
## max value : 45.75932Convertir la capa SpatRaster a un objeto stars
stars.soc = st_as_stars(geog.soc)Presentación de los datos visualmente mediante un gráfico:
m <- leaflet() %>%
addTiles() %>%
leafem:::addGeoRaster(
stars.soc,
opacity = 0.8,
colorOptions = colorOptions(palette = c("orange", "yellow", "cyan", "green"),
domain = 8:130)
)
#
m # Print the map4. Muestreo de algunos datos del departamento
Simulación pseudoaleatoria de toma de muestras de algunos puntos dentro del departamento.
set.seed(123456)
# Random sampling of 500 points
(samples <- spatSample(geog.soc, 500, "random", as.points=TRUE))## class : SpatVector
## geometry : points
## dimensions : 500, 1 (geometries, attributes)
## extent : -73.14722, -72.04021, 6.871374, 9.288817 (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=longlat +datum=WGS84 +no_defs
## names : NORTECITPROMEDIO
## type : <num>
## values : 22.74
## 23.95
## 16.04SpatVector a simple feature
(muestras <- sf::st_as_sf(samples))## Simple feature collection with 500 features and 1 field
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: -73.14722 ymin: 6.871374 xmax: -72.04021 ymax: 9.288817
## Geodetic CRS: GEOGCRS["unknown",
## DATUM["World Geodetic System 1984",
## ELLIPSOID["WGS 84",6378137,298.257223563,
## LENGTHUNIT["metre",1]],
## ID["EPSG",6326]],
## PRIMEM["Greenwich",0,
## ANGLEUNIT["degree",0.0174532925199433],
## ID["EPSG",8901]],
## CS[ellipsoidal,2],
## AXIS["longitude",east,
## ORDER[1],
## ANGLEUNIT["degree",0.0174532925199433,
## ID["EPSG",9122]]],
## AXIS["latitude",north,
## ORDER[2],
## ANGLEUNIT["degree",0.0174532925199433,
## ID["EPSG",9122]]]]
## First 10 features:
## NORTECITPROMEDIO geometry
## 1 22.73887 POINT (-72.37846 9.149258)
## 2 23.95310 POINT (-72.44942 9.191836)
## 3 16.04370 POINT (-72.94379 8.993142)
## 4 16.40215 POINT (-72.83971 8.730582)
## 5 14.61690 POINT (-72.89412 8.75187)
## 6 17.63044 POINT (-72.80187 9.116143)
## 7 21.65062 POINT (-72.26256 7.013298)
## 8 21.62811 POINT (-73.09281 7.822266)
## 9 16.58199 POINT (-72.93433 8.725851)
## 10 15.58271 POINT (-72.48727 8.224385)Se omiten celdas sin valores y luego se visualizan los datos limpios:
nmuestras <- na.omit(muestras)longit <- st_coordinates(muestras)[,1]
latit <- st_coordinates(muestras)[,2]
soc <- muestras$NORTECITPROMEDIOid <- seq(1,500,1) (sitios <- data.frame(id, longit, latit, soc))## id longit latit soc
## 1 1 -72.37846 9.149258 22.738874
## 2 2 -72.44942 9.191836 23.953100
## 3 3 -72.94379 8.993142 16.043703
## 4 4 -72.83971 8.730582 16.402151
## 5 5 -72.89412 8.751870 14.616896
## 6 6 -72.80187 9.116143 17.630440
## 7 7 -72.26256 7.013298 21.650621
## 8 8 -73.09281 7.822266 21.628113
## 9 9 -72.93433 8.725851 16.581993
## 10 10 -72.48727 8.224385 15.582712
## 11 11 -72.84681 8.770794 16.489687
## 12 12 -72.12063 8.103750 16.449774
## 13 13 -73.08808 7.890863 21.135355
## 14 14 -72.15848 8.531888 22.563715
## 15 15 -72.55114 7.720554 19.384903
## 16 16 -72.67177 8.151058 14.131648
## 17 17 -72.13009 7.365743 25.526564
## 18 18 -73.14722 7.514764 19.992933
## 19 19 -72.42577 6.984913 26.226654
## 20 20 -72.29804 7.890863 16.336306
## 21 21 -73.02658 8.255136 17.851725
## 22 22 -72.05440 8.527157 24.579586
## 23 23 -72.13719 6.909220 22.766499
## 24 24 -72.09934 7.325532 25.423315
## 25 25 -72.17740 8.314271 17.334538
## 26 26 -72.44469 8.292982 15.553787
## 27 27 -72.65521 8.264597 16.861437
## 28 28 -73.01712 7.808074 25.012760
## 29 29 -72.50146 8.311905 16.365446
## 30 30 -72.14665 9.004969 25.118279
## 31 31 -72.36427 7.966556 17.375973
## 32 32 -72.58662 7.413052 25.452021
## 33 33 -72.59135 8.188904 15.914557
## 34 34 -72.13482 8.827563 22.611197
## 35 35 -72.88229 8.628869 13.707713
## 36 36 -73.02658 8.214924 17.845789
## 37 37 -72.67887 8.803909 16.492706
## 38 38 -72.28384 9.101950 24.829315
## 39 39 -72.12773 8.049345 14.847602
## 40 40 -72.79950 8.169981 18.080790
## 41 41 -72.25783 9.073565 1.980143
## 42 42 -72.17504 8.468022 17.800573
## 43 43 -72.60317 8.453829 19.798624
## 44 44 -72.43523 7.245108 20.982941
## 45 45 -72.16794 9.229682 26.214220
## 46 46 -72.20106 7.588091 19.075573
## 47 47 -72.08515 7.616476 13.429615
## 48 48 -72.28384 9.042815 22.759552
## 49 49 -72.72618 9.000238 14.329226
## 50 50 -73.03604 8.754236 15.401335
## 51 51 -72.49673 8.158154 9.524321
## 52 52 -72.04967 7.027491 28.928030
## 53 53 -72.74037 9.123239 16.123587
## 54 54 -72.64339 8.349752 15.945056
## 55 55 -73.01712 9.229682 15.409457
## 56 56 -72.53931 8.094288 11.738072
## 57 57 -72.58662 9.288817 21.500000
## 58 58 -72.92014 8.434906 16.401220
## 59 59 -72.96035 7.800978 22.476162
## 60 60 -73.06206 7.122107 23.406525
## 61 61 -72.05913 8.023326 22.231384
## 62 62 -72.83025 7.195434 25.551861
## 63 63 -73.04550 8.981315 17.772045
## 64 64 -73.01712 7.143395 19.709620
## 65 65 -72.20342 8.184173 15.921510
## 66 66 -72.97454 7.391763 20.264908
## 67 67 -72.49910 8.534253 19.420460
## 68 68 -72.22234 7.857748 20.397829
## 69 69 -72.30513 9.064104 24.001499
## 70 70 -72.46362 7.500571 25.877527
## 71 71 -73.05497 7.273493 20.387287
## 72 72 -72.89175 7.635400 33.045078
## 73 73 -72.23890 8.626504 21.990940
## 74 74 -73.00056 7.247473 19.095795
## 75 75 -72.98400 7.387032 20.421431
## 76 76 -73.06206 9.052277 17.438185
## 77 77 -72.16084 9.217855 21.951557
## 78 78 -72.80423 8.697466 16.895847
## 79 79 -72.28621 7.415417 25.075838
## 80 80 -72.71908 7.637765 17.728842
## 81 81 -72.33588 9.047546 22.726400
## 82 82 -72.21998 8.342655 16.314583
## 83 83 -72.32879 7.602284 15.633357
## 84 84 -72.29331 7.677977 17.868565
## 85 85 -72.16557 8.851217 27.888504
## 86 86 -72.68360 8.803909 16.645853
## 87 87 -72.87283 8.527157 16.019295
## 88 88 -72.39738 7.564437 22.019613
## 89 89 -72.73327 7.439071 34.324165
## 90 90 -72.12300 7.869575 22.820818
## 91 91 -72.55587 7.308974 20.956133
## 92 92 -72.70252 8.427810 17.876593
## 93 93 -72.56533 7.611745 19.249760
## 94 94 -73.05024 8.389964 15.188547
## 95 95 -72.23890 9.276990 0.000000
## 96 96 -72.52748 7.838824 17.643021
## 97 97 -72.91068 8.761332 15.112760
## 98 98 -72.87520 8.382867 15.711751
## 99 99 -72.28858 7.980749 15.657115
## 100 100 -72.71671 8.619408 18.686390
## 101 101 -72.99820 7.748939 21.588593
## 102 102 -72.51329 8.569734 16.611168
## 103 103 -72.60317 8.598119 14.060489
## 104 104 -72.39975 9.146893 22.233770
## 105 105 -72.39738 7.857748 15.938023
## 106 106 -72.93670 7.881402 18.118820
## 107 107 -73.08572 8.039884 16.217407
## 108 108 -72.05440 6.932874 15.453286
## 109 109 -72.70016 7.422513 20.800116
## 110 110 -72.05203 8.453829 21.021942
## 111 111 -72.68360 8.425445 16.805048
## 112 112 -72.97691 8.579196 17.412212
## 113 113 -72.35008 7.346820 22.488249
## 114 114 -73.02422 7.093722 23.545362
## 115 115 -72.17031 8.773159 25.957294
## 116 116 -72.70016 9.118508 20.209028
## 117 117 -72.24127 9.191836 22.220661
## 118 118 -72.81606 9.170547 13.043735
## 119 119 -72.32169 7.235646 29.807354
## 120 120 -72.53931 8.316636 14.384113
## 121 121 -72.78058 8.243308 17.916840
## 122 122 -72.95089 8.207827 17.751072
## 123 123 -72.67414 7.502937 31.861372
## 124 124 -72.79477 8.512965 15.867445
## 125 125 -72.52512 7.973652 15.224478
## 126 126 -72.97218 7.190703 20.590315
## 127 127 -72.38083 8.406521 18.399639
## 128 128 -72.52512 8.799179 14.354809
## 129 129 -72.16084 8.068269 21.626003
## 130 130 -72.91304 7.954729 20.886364
## 131 131 -72.62683 9.002603 21.261528
## 132 132 -72.08279 7.294781 22.904205
## 133 133 -72.95325 8.517695 16.252504
## 134 134 -72.08279 8.586292 24.855305
## 135 135 -72.08752 7.249839 22.425638
## 136 136 -72.41158 7.020394 26.805588
## 137 137 -72.12300 7.514764 19.697863
## 138 138 -72.23890 7.219088 28.435869
## 139 139 -72.04967 8.072999 24.287045
## 140 140 -72.60317 8.198366 16.976009
## 141 141 -72.11590 8.432541 20.782984
## 142 142 -72.29331 9.080662 15.655651
## 143 143 -72.19869 8.988411 23.212355
## 144 144 -72.96745 7.732381 21.672733
## 145 145 -72.60081 8.886699 19.432264
## 146 146 -72.49437 7.883767 0.000000
## 147 147 -72.39975 6.911586 28.768038
## 148 148 -73.10937 8.143962 16.757250
## 149 149 -72.11590 8.735313 23.444567
## 150 150 -72.24363 8.091923 20.069206
## 151 151 -72.70962 8.030422 21.913054
## 152 152 -72.18686 8.595754 22.257271
## 153 153 -72.53694 7.006202 20.143095
## 154 154 -72.46598 9.090123 2.772747
## 155 155 -72.24600 7.141030 23.619942
## 156 156 -72.40448 8.075365 16.045593
## 157 157 -73.08099 9.087758 12.834623
## 158 158 -73.05260 9.158720 12.024000
## 159 159 -72.55587 8.285886 12.361494
## 160 160 -72.84681 8.113211 17.803511
## 161 161 -72.29094 8.271693 15.933732
## 162 162 -72.35244 7.935806 18.084135
## 163 163 -73.02658 7.193069 22.887403
## 164 164 -72.90358 8.200731 17.642359
## 165 165 -72.46835 8.238578 17.501791
## 166 166 -72.46125 9.210759 24.399324
## 167 167 -72.11117 7.361013 17.738449
## 168 168 -72.82789 9.269894 19.151184
## 169 169 -72.71671 7.443802 26.176214
## 170 170 -72.08752 9.068835 24.032305
## 171 171 -72.66467 7.689804 20.644886
## 172 172 -72.64812 7.067702 24.235735
## 173 173 -72.85627 8.160519 16.607855
## 174 174 -72.32642 7.545514 16.568462
## 175 175 -72.50383 7.949998 11.402271
## 176 176 -72.45179 7.739477 13.168040
## 177 177 -72.08279 8.737678 29.314339
## 178 178 -72.14429 8.456195 19.464190
## 179 179 -73.09045 8.266963 19.146299
## 180 180 -72.80187 7.907421 18.748877
## 181 181 -72.35244 7.647227 18.265684
## 182 182 -72.44706 7.349186 19.818832
## 183 183 -73.11883 7.389397 19.836216
## 184 184 -72.33115 8.605215 21.694338
## 185 185 -72.29331 8.323732 17.264606
## 186 186 -72.87993 8.302444 16.796696
## 187 187 -72.79241 9.106681 16.531981
## 188 188 -72.97927 9.163451 14.612606
## 189 189 -72.90358 8.427810 13.405469
## 190 190 -72.59608 7.666150 21.332645
## 191 191 -72.46598 8.531888 15.340437
## 192 192 -72.85627 7.036952 24.639748
## 193 193 -72.35008 7.886132 21.085493
## 194 194 -72.79477 7.540783 19.351515
## 195 195 -72.15138 6.980182 18.264254
## 196 196 -72.99583 8.702197 15.711439
## 197 197 -72.16794 6.958894 31.207952
## 198 198 -72.46125 8.243308 18.466827
## 199 199 -72.70489 9.175278 17.297779
## 200 200 -72.06386 8.628869 25.610336
## 201 201 -72.47544 8.323732 15.780009
## 202 202 -72.64102 8.297713 16.559370
## 203 203 -72.10171 7.363378 21.687498
## 204 204 -72.65048 7.022760 23.321495
## 205 205 -72.81133 8.110846 17.996107
## 206 206 -72.46362 7.112645 20.327517
## 207 207 -72.08752 6.937605 24.198101
## 208 208 -72.18213 8.125038 13.121923
## 209 209 -72.45888 7.424879 23.056000
## 210 210 -72.27675 8.210193 19.630569
## 211 211 -72.78768 7.344455 21.129154
## 212 212 -72.09225 7.417782 19.519037
## 213 213 -72.10171 8.628869 22.167606
## 214 214 -72.66941 7.914517 14.527743
## 215 215 -72.22471 8.117942 13.653735
## 216 216 -72.72144 7.730016 19.311855
## 217 217 -72.19396 7.791516 17.676987
## 218 218 -72.90831 6.930509 20.169008
## 219 219 -73.08808 8.581561 14.431834
## 220 220 -72.15375 6.876105 20.436508
## 221 221 -72.56296 8.009133 16.908760
## 222 222 -72.62210 7.273493 21.026543
## 223 223 -72.98400 8.094288 20.199915
## 224 224 -72.06150 9.151624 20.285896
## 225 225 -72.67414 8.929276 17.077137
## 226 226 -72.60081 7.758401 21.844271
## 227 227 -72.75693 8.002037 17.511240
## 228 228 -72.38556 8.678543 23.452505
## 229 229 -72.57479 7.978383 15.178908
## 230 230 -72.10644 7.363378 20.378410
## 231 231 -72.13955 7.507668 16.887026
## 232 232 -73.02185 7.845921 23.780109
## 233 233 -72.15611 9.281721 23.048883
## 234 234 -72.34771 7.800978 15.257926
## 235 235 -72.38556 7.902690 19.160505
## 236 236 -72.80660 9.130335 16.599264
## 237 237 -72.88702 7.455629 24.573990
## 238 238 -72.71671 8.498772 16.883093
## 239 239 -72.27675 8.361579 15.253960
## 240 240 -73.02422 9.104316 16.965750
## 241 241 -72.60081 8.997873 20.614834
## 242 242 -72.48254 7.869575 16.583261
## 243 243 -72.89175 8.319001 14.471129
## 244 244 -72.85391 7.983114 16.999601
## 245 245 -72.25309 8.761332 23.521162
## 246 246 -72.94379 9.262798 11.352284
## 247 247 -72.25783 8.614677 23.186159
## 248 248 -72.26492 8.477484 17.541534
## 249 249 -73.01239 7.484014 17.232063
## 250 250 -72.72854 8.815736 19.030575
## 251 251 -72.58898 8.844121 19.018881
## 252 252 -72.07569 8.647793 25.290462
## 253 253 -73.00529 8.572100 19.485565
## 254 254 -72.12300 8.659620 26.112164
## 255 255 -72.86573 7.923979 25.144991
## 256 256 -72.35008 7.266396 24.165237
## 257 257 -72.79241 7.923979 14.213984
## 258 258 -72.18923 8.943468 28.271898
## 259 259 -72.70016 8.186539 18.263783
## 260 260 -72.22234 7.044048 19.269094
## 261 261 -72.52748 7.247473 20.363029
## 262 262 -72.52748 7.150492 19.991253
## 263 263 -72.09698 7.905056 21.677896
## 264 264 -72.58662 9.104316 19.913727
## 265 265 -72.80187 8.725851 16.339739
## 266 266 -73.05260 7.616476 24.284184
## 267 267 -72.40448 7.578630 32.409359
## 268 268 -72.65521 8.181808 14.665985
## 269 269 -72.14665 7.888498 22.279154
## 270 270 -72.05440 8.666716 26.641325
## 271 271 -73.12120 7.756035 19.465105
## 272 272 -72.77585 8.749505 20.000774
## 273 273 -73.12829 6.895028 17.183477
## 274 274 -72.85627 8.321367 16.251162
## 275 275 -72.07569 7.010933 20.832865
## 276 276 -72.55823 7.642496 17.708395
## 277 277 -72.56060 9.132701 21.337494
## 278 278 -72.79950 8.319001 16.034208
## 279 279 -72.15611 7.306608 20.348654
## 280 280 -72.70489 7.096087 26.682199
## 281 281 -72.10171 6.871374 18.235317
## 282 282 -72.96981 9.163451 13.978256
## 283 283 -73.05733 7.682708 18.091579
## 284 284 -72.65285 8.548446 19.802095
## 285 285 -72.78531 7.008567 25.119928
## 286 286 -72.40448 9.206028 27.992878
## 287 287 -72.88702 7.474552 22.397219
## 288 288 -72.19869 7.145761 22.322445
## 289 289 -72.64575 7.287685 22.446800
## 290 290 -72.97691 7.734747 25.364786
## 291 291 -72.96508 8.420714 20.536703
## 292 292 -72.23654 8.127404 15.000000
## 293 293 -72.52512 8.879602 19.780640
## 294 294 -72.41394 7.247473 26.399155
## 295 295 -72.34535 8.484580 17.206627
## 296 296 -72.85391 8.725851 17.076035
## 297 297 -73.01002 8.730582 13.165859
## 298 298 -72.21998 7.405955 21.421593
## 299 299 -72.86337 8.243308 13.139512
## 300 300 -72.55823 8.971853 22.784086
## 301 301 -72.44942 9.262798 25.515699
## 302 302 -72.33352 9.246240 19.843119
## 303 303 -72.41158 7.327897 26.573896
## 304 304 -72.56533 9.232048 18.636475
## 305 305 -72.77821 8.936372 17.611675
## 306 306 -72.28148 7.226185 29.020742
## 307 307 -73.01949 9.109047 14.409007
## 308 308 -72.31933 8.900891 23.223955
## 309 309 -72.06623 8.943468 27.000635
## 310 310 -72.24600 7.616476 15.493706
## 311 311 -72.59371 9.276990 22.039110
## 312 312 -72.34771 8.758967 23.618761
## 313 313 -73.12829 6.958894 24.318495
## 314 314 -72.84681 7.502937 25.462732
## 315 315 -72.13246 7.992576 25.184959
## 316 316 -73.06443 7.793882 25.297676
## 317 317 -72.91068 9.229682 13.233238
## 318 318 -72.29804 8.238578 15.762085
## 319 319 -72.73327 8.056442 19.221571
## 320 320 -72.79950 8.633600 16.544252
## 321 321 -72.56296 8.046980 17.038641
## 322 322 -72.37136 8.009133 19.474062
## 323 323 -72.67414 8.063538 15.405348
## 324 324 -72.83735 7.654323 18.822905
## 325 325 -72.41867 7.590457 21.526289
## 326 326 -72.82316 7.938171 15.521042
## 327 327 -72.93670 8.775525 12.667211
## 328 328 -72.96981 8.730582 14.419279
## 329 329 -72.43760 8.224385 18.376411
## 330 330 -72.63629 7.696900 20.074217
## 331 331 -72.74273 7.959460 20.418480
## 332 332 -72.64102 7.507668 23.345085
## 333 333 -72.80660 8.605215 14.633634
## 334 334 -72.47544 7.424879 20.761467
## 335 335 -72.19159 7.301877 23.054913
## 336 336 -72.98164 7.216723 22.380426
## 337 337 -72.43050 8.169981 13.507079
## 338 338 -73.14249 8.924545 19.327641
## 339 339 -73.07862 9.007334 17.995354
## 340 340 -72.71198 7.110280 21.198292
## 341 341 -72.56060 7.564437 21.307169
## 342 342 -72.06859 6.973086 13.021610
## 343 343 -72.10644 8.302444 17.498617
## 344 344 -72.70252 7.361013 24.583586
## 345 345 -72.28384 9.002603 26.604893
## 346 346 -72.58662 7.895594 15.839133
## 347 347 -73.06443 7.424879 28.838398
## 348 348 -73.08099 6.916317 21.800661
## 349 349 -72.54640 7.706362 24.409248
## 350 350 -72.28148 7.647227 12.558969
## 351 351 -72.67650 9.066469 20.937582
## 352 352 -72.56769 8.465657 16.868479
## 353 353 -72.80187 8.633600 16.643520
## 354 354 -72.20342 8.158154 13.872647
## 355 355 -72.57952 7.685073 22.345291
## 356 356 -72.96272 9.104316 12.424718
## 357 357 -72.60791 6.935240 23.269960
## 358 358 -72.41158 9.132701 23.603598
## 359 359 -73.06206 7.252204 20.964016
## 360 360 -72.92723 8.356848 17.987345
## 361 361 -72.61264 8.546080 18.864748
## 362 362 -72.11827 9.142162 23.681362
## 363 363 -72.69306 8.671447 16.177130
## 364 364 -72.58189 7.897959 16.027012
## 365 365 -73.04314 7.812805 22.556067
## 366 366 -72.27202 9.196567 24.881380
## 367 367 -72.04257 7.524226 14.722236
## 368 368 -73.11410 8.394694 15.595937
## 369 369 -72.54404 7.136299 27.294750
## 370 370 -72.28148 7.517129 23.804611
## 371 371 -72.97454 8.224385 17.735552
## 372 372 -72.84918 8.602850 15.013524
## 373 373 -72.11354 8.858314 25.654924
## 374 374 -73.01712 8.240943 17.968937
## 375 375 -72.34298 7.441436 25.738426
## 376 376 -72.76402 8.319001 16.999598
## 377 377 -72.42340 6.925778 25.457899
## 378 378 -72.21288 8.075365 17.425518
## 379 379 -72.75219 7.368109 24.227581
## 380 380 -72.67887 8.635966 15.170483
## 381 381 -73.14722 7.337359 17.449953
## 382 382 -72.10644 7.512398 23.394794
## 383 383 -72.43287 9.232048 24.566759
## 384 384 -73.13066 6.956528 24.654459
## 385 385 -72.93197 8.427810 18.730190
## 386 386 -72.05203 9.265163 22.120342
## 387 387 -72.19159 7.834094 21.090425
## 388 388 -72.05677 8.143962 16.899233
## 389 389 -72.61027 8.285886 15.752808
## 390 390 -73.06443 7.739477 19.439877
## 391 391 -72.61264 7.808074 16.070599
## 392 392 -72.82079 8.013864 18.006178
## 393 393 -72.61027 9.215490 20.061260
## 394 394 -72.42813 7.727650 21.170055
## 395 395 -72.60317 7.517129 26.977922
## 396 396 -72.30513 7.919248 19.367924
## 397 397 -72.23890 8.706928 22.244375
## 398 398 -73.07389 8.744774 13.533607
## 399 399 -72.13482 8.262232 12.947956
## 400 400 -72.54167 8.304809 15.516199
## 401 401 -72.61027 8.678543 18.165459
## 402 402 -72.63392 8.685639 17.460186
## 403 403 -72.55114 8.475118 14.705033
## 404 404 -72.24363 8.595754 24.097584
## 405 405 -72.05440 7.280589 17.824873
## 406 406 -72.90358 8.716389 13.779025
## 407 407 -72.83025 8.148692 18.705616
## 408 408 -73.08572 7.491110 18.856514
## 409 409 -72.73564 8.676178 15.348355
## 410 410 -72.06386 9.012065 29.319708
## 411 411 -72.13955 7.737112 19.020760
## 412 412 -73.14012 7.126838 19.246843
## 413 413 -72.33588 9.021527 23.414572
## 414 414 -72.76402 8.555542 17.501129
## 415 415 -72.07569 8.538984 23.873682
## 416 416 -72.44233 8.077730 15.317039
## 417 417 -72.15611 9.274625 25.088730
## 418 418 -72.08988 7.793882 20.123571
## 419 419 -72.71435 8.037518 21.438570
## 420 420 -72.96745 7.895594 22.478170
## 421 421 -72.74273 7.708727 16.169476
## 422 422 -73.00056 7.744208 21.485714
## 423 423 -72.49910 9.243875 26.452372
## 424 424 -72.61264 7.919248 15.866852
## 425 425 -73.04787 7.914517 24.573816
## 426 426 -72.41867 8.751870 19.882318
## 427 427 -72.93197 7.379936 21.733465
## 428 428 -73.07862 7.514764 23.315248
## 429 429 -72.53458 7.238012 19.911064
## 430 430 -72.56060 7.583361 19.640375
## 431 431 -72.76402 8.832294 16.822416
## 432 432 -72.83971 8.565004 14.712959
## 433 433 -73.12593 8.082461 16.002876
## 434 434 -72.64102 6.994375 29.627010
## 435 435 -72.17504 9.142162 24.946442
## 436 436 -72.09461 8.484580 18.535109
## 437 437 -72.65285 8.262232 17.405106
## 438 438 -72.52039 7.484014 20.821751
## 439 439 -72.54404 8.600485 16.508619
## 440 440 -73.04550 8.458560 14.643270
## 441 441 -72.77821 7.547880 20.861753
## 442 442 -72.12063 7.259300 23.248043
## 443 443 -72.17267 7.706362 20.854404
## 444 444 -72.85627 7.171780 24.958405
## 445 445 -72.05913 7.103184 13.953910
## 446 446 -72.15375 9.040450 24.148043
## 447 447 -72.37373 8.486945 17.594776
## 448 448 -72.13246 9.220221 20.076122
## 449 449 -72.35244 9.180009 28.878189
## 450 450 -72.84445 8.690370 16.062716
## 451 451 -73.06916 7.730016 18.687922
## 452 452 -72.13955 8.269328 16.164825
## 453 453 -72.87993 7.294781 23.240385
## 454 454 -72.18213 6.904490 23.983438
## 455 455 -72.54404 7.564437 20.983912
## 456 456 -72.85154 7.474552 30.635872
## 457 457 -72.11827 7.124472 21.825239
## 458 458 -72.16084 8.075365 22.143167
## 459 459 -72.99583 7.223819 21.379677
## 460 460 -73.00766 8.974218 17.023600
## 461 461 -72.60554 7.507668 27.873772
## 462 462 -72.21052 8.524792 21.659643
## 463 463 -72.41158 8.784986 20.718750
## 464 464 -72.29804 8.943468 26.107355
## 465 465 -72.12773 8.645427 23.485888
## 466 466 -72.48490 7.275858 18.300591
## 467 467 -72.47308 8.037518 15.028720
## 468 468 -72.40211 7.607015 25.611938
## 469 469 -72.79477 7.370474 21.502258
## 470 470 -72.85627 9.139797 13.390986
## 471 471 -72.42813 8.498772 19.413189
## 472 472 -72.04730 7.675611 13.829762
## 473 473 -72.62446 8.352117 14.365199
## 474 474 -73.07152 7.256935 22.699974
## 475 475 -72.46835 8.664351 16.914288
## 476 476 -72.96272 7.382301 19.642546
## 477 477 -72.23417 8.706928 23.251429
## 478 478 -72.26019 7.599918 16.936884
## 479 479 -73.05733 8.593388 13.122122
## 480 480 -73.12120 7.001471 19.741158
## 481 481 -72.71908 8.808640 18.377089
## 482 482 -72.96272 7.297147 26.234167
## 483 483 -72.61264 9.276990 23.859121
## 484 484 -72.48490 8.716389 13.143311
## 485 485 -72.92960 7.521860 19.830877
## 486 486 -72.04021 7.703996 15.193300
## 487 487 -72.43996 7.703996 17.650572
## 488 488 -72.70489 8.167616 16.722988
## 489 489 -72.98874 7.141030 23.987711
## 490 490 -72.41394 7.860113 15.679187
## 491 491 -72.29094 8.718755 25.116695
## 492 492 -72.70489 8.375771 19.438644
## 493 493 -72.33825 7.592822 15.161201
## 494 494 -73.09045 8.848852 12.499338
## 495 495 -72.12536 7.131568 22.502941
## 496 496 -72.49673 7.763131 15.182276
## 497 497 -72.12063 9.239144 0.000000
## 498 498 -72.83735 8.207827 16.145479
## 499 499 -72.80660 7.566803 19.409988
## 500 500 -72.38792 8.531888 17.065992Remover los valores NA
sitios <- na.omit(sitios)head(sitios)## id longit latit soc
## 1 1 -72.37846 9.149258 22.73887
## 2 2 -72.44942 9.191836 23.95310
## 3 3 -72.94379 8.993142 16.04370
## 4 4 -72.83971 8.730582 16.40215
## 5 5 -72.89412 8.751870 14.61690
## 6 6 -72.80187 9.116143 17.63044Visualizar las muestras
m <- leaflet() %>%
addTiles() %>%
leafem:::addGeoRaster(
stars.soc,
opacity = 0.7,
colorOptions = colorOptions(palette = c("orange", "yellow", "cyan", "green"),
domain = 8:130)
) %>%
addMarkers(lng=sitios$longit,lat=sitios$latit, popup=sitios$soc, clusterOptions = markerClusterOptions())
m # Print the mapInterpolación de los datos
5. Creación de objetos gstat
Para poder realizar una interpolación, es necesario crear un objeto de tipo gstat, esto es posible haciendo uso de la librería con el mismo nombre. Un objeto gstat contiene la información necesaria para realizar
6. Interpolación IDW
Determina los valores de celda mediante la combinación ponderada linealmente de un conjunto de puntos de una muestra. La ponderación es una función de la distancia inversa. La superficie interpolada debe ser la de una variable dependiente de la localización. Este método se basa en que la influencia de la variable que se está cartografiando disminuye con la distancia desde su ubicación en la muestra.
Para estimar el contenido de carbono orgánico del suelo (SOC) en el departamento de Norte de Santander, se emplea la interpolación espacial mediante el método de Inverse Distance Weighting IDW. Para ello, se utiliza la función gstat, que permite definir el modelo de interpolación con base en los datos de calibración obtenidos en diferentes puntos de muestreo. El modelo se construye de la siguiente manera:
g1 = gstat(formula = NORTECITPROMEDIO ~ 1, data = nmuestras)Crea un raster vacío con extensión y resolución específicas para interpolación espacial.
# a simple copy
rrr = aggregate(geog.soc, 4)rrr## class : SpatRaster
## size : 256, 118, 1 (nrow, ncol, nlyr)
## resolution : 0.009461618, 0.009461618 (x, y)
## extent : -73.1484, -72.03193, 6.867826, 9.29 (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=longlat +datum=WGS84 +no_defs
## source(s) : memory
## name : NORTECITPROMEDIO
## min value : 0.00000
## max value : 42.23495definir los nuevos valores
values(rrr) <-1names(rrr) <- "valor"rrr## class : SpatRaster
## size : 256, 118, 1 (nrow, ncol, nlyr)
## resolution : 0.009461618, 0.009461618 (x, y)
## extent : -73.1484, -72.03193, 6.867826, 9.29 (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=longlat +datum=WGS84 +no_defs
## source(s) : memory
## name : valor
## min value : 1
## max value : 1stars.rrr = st_as_stars(rrr)Este código realiza la interpolación IDW, prediciendo valores usando el modelo g1 en el raster stars.rrr.
## [inverse distance weighted interpolation]
z1 = predict(g1, stars.rrr)## [inverse distance weighted interpolation]¿Qué es z1? –> z1 contiene los valores estimados de la variable soc (suelo orgánico de carbono) para cada celda del raster stars.rrr, utilizando el modelo de interpolación g1 que definiste previamente.
z1## stars object with 2 dimensions and 2 attributes
## attribute(s):
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## var1.pred 0.3259957 17.36119 19.58107 19.67381 21.98615 33.52967 0
## var1.var NA NA NA NaN NA NA 30208
## dimension(s):
## from to offset delta refsys x/y
## x 1 118 -73.15 0.009462 +proj=longlat +datum=WGS8... [x]
## y 1 256 9.29 -0.009462 +proj=longlat +datum=WGS8... [y]Asigna el nombre “soc” al primer atributo (columna) del objeto z1. En resumen, renombra la columna de datos interpolados a “soc”.
z1 = z1["var1.pred",,]
names(z1) = "soc"Este código crea una paleta de colores para mapas, con rango y transparencia. En resumen, define una paleta de colores para visualización.
paleta <- colorNumeric(palette = c("orange", "yellow", "cyan", "green"), domain = 10:100, na.color = "transparent")Mapa de Interpolación
m <- leaflet() %>%
addTiles() %>%
leafem:::addGeoRaster(
z1,
opacity = 0.7,
colorOptions = colorOptions(palette = c("orange", "yellow", "cyan", "green"),
domain = 11:55)
) %>%
addMarkers(lng=sitios$longit,lat=sitios$latit, popup=sitios$soc, clusterOptions = markerClusterOptions()) %>%
addLegend("bottomright", pal=paleta, values= z1$soc,
title = "IDW SOC interpolation [%]"
)## Warning in pal(c(r[1], cuts, r[2])): Some values were outside the color scale
## and will be treated as NAm # Print the mapg1 = gstat(formula = NORTECITPROMEDIO ~ 1, data = nmuestras)# a simple copy
rrr = aggregate(geog.soc, 4)rrr## class : SpatRaster
## size : 256, 118, 1 (nrow, ncol, nlyr)
## resolution : 0.009461618, 0.009461618 (x, y)
## extent : -73.1484, -72.03193, 6.867826, 9.29 (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=longlat +datum=WGS84 +no_defs
## source(s) : memory
## name : NORTECITPROMEDIO
## min value : 0.00000
## max value : 42.23495values(rrr) <-1names(rrr) <- "valor"rrr## class : SpatRaster
## size : 256, 118, 1 (nrow, ncol, nlyr)
## resolution : 0.009461618, 0.009461618 (x, y)
## extent : -73.1484, -72.03193, 6.867826, 9.29 (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=longlat +datum=WGS84 +no_defs
## source(s) : memory
## name : valor
## min value : 1
## max value : 1stars.rrr = st_as_stars(rrr)## [inverse distance weighted interpolation]
z1 = predict(g1, stars.rrr)## [inverse distance weighted interpolation]z1## stars object with 2 dimensions and 2 attributes
## attribute(s):
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## var1.pred 0.3259957 17.36119 19.58107 19.67381 21.98615 33.52967 0
## var1.var NA NA NA NaN NA NA 30208
## dimension(s):
## from to offset delta refsys x/y
## x 1 118 -73.15 0.009462 +proj=longlat +datum=WGS8... [x]
## y 1 256 9.29 -0.009462 +proj=longlat +datum=WGS8... [y]z1 = z1["var1.pred",,]
names(z1) = "soc"paleta <- colorNumeric(palette = c("orange", "yellow", "cyan", "green"), domain = 0:33, na.color = "transparent")m <- leaflet() %>%
addTiles() %>%
leafem:::addGeoRaster(
z1,
opacity = 0.7,
colorOptions = colorOptions(palette = c("orange", "yellow", "cyan", "green"),
domain = 0:33)
) %>%
addMarkers(lng=sitios$longit,lat=sitios$latit, popup=sitios$soc, clusterOptions = markerClusterOptions()) %>%
addLegend("bottomright", pal=paleta, values= z1$soc,
title = "IDW SOC interpolation [%]"
)## Warning in pal(c(r[1], cuts, r[2])): Some values were outside the color scale
## and will be treated as NAm # Print the map7. Interpolación OK
Se define como una técnica geoestadística avanzada que se utilisa para estimar balores en ubicaciones no muestradas basándose en los valores conocidos de lugares cercanos. Es decir, se basa en la premisa de que los puntos conocidos que son cercanos a cierto espacio, son los que mejor se asemejan al valor real. Kriging Ordinary no solo considera la distancia, ya que también estudia el patrón de variabilidad espacial de la variable de interés, que en este caso es el carbono orgánico en el departamento de Norte de Santander, Colombia.
v_emp_ok = variogram(NORTECITPROMEDIO ~ 1, data=nmuestras)plot(v_emp_ok)
Luego, se busca un modelo matemático que se ajuste de la mejor manera al semivariograma. Usando la funión autofitVariogram del paquete automap, se identifica con precisión del modelo que mejor se ajusta a los parámetros obtenidos anteriormente.
v_mod_ok = autofitVariogram(NORTECITPROMEDIO ~ 1, as(nmuestras, "Spatial"))plot(v_mod_ok)
v_mod_ok$var_model## model psill range kappa
## 1 Nug 6.930678 0.0000 0.0
## 2 Ste 41.328402 501.0239 0.38. Semivariograma
Luego de obtener el modelo ajustado al semivariograma, se usa la función gstat para ejecutar la interpolación mediante Kriging Ordinary. En este método se estiman los valores de contenido de carbono orgánico en las ubicaciones del terreno que no se muestraron.
## [using ordinary kriging]
g2 = gstat(formula = NORTECITPROMEDIO ~ 1, model = v_mod_ok$var_model, data = nmuestras)
z2= predict(g2, stars.rrr)## [using ordinary kriging]# z2 = z2["var1.pred",,]
names(z2) = "soc" Para generar el mapa de interpolación OK con el contenido de carbono orgánico en el suelo a una profundidad de 15 a 30 cm, se plantea el siguiente código:
m <- leaflet() %>%
addTiles() %>%
leafem:::addGeoRaster(
z2,
opacity = 0.7,
colorOptions = colorOptions(palette = c("orange", "yellow", "cyan", "green"),
domain = 0:33)
) %>%
addMarkers(lng=sitios$longit,lat=sitios$latit, popup=sitios$soc, clusterOptions = markerClusterOptions()) %>%
addLegend("bottomright", pal = paleta, values= z2$soc,
title = "OK SOC interpolation [%]"
)## Warning in write_stars.stars(x, dsn = fl): all but first attribute are ignoredm # Print the map9. Evaluación de resultados
9.1 Análisis cualitativo
Para analizar las predicciones de carbono orgánico en el suelo en Norte de Santander usando los métodos de interpolación IDW (Inverse Distance Weighting) y OK (Kriging Ordinary) se usa un gráfico interactivo usando la función leaflet con las siguientes convensiones: Naranja; para valores bajos de SOC. Amarillo - Cyan; identifican valores intermedios de SOC. Verde; para altos contenidos de SOC en el territorio. En el gráfico interactivo puede compararse la base de datos descargada en SOIL GRIDS, el método IDW y OK, permitiendo hacer una descripción visual de las diferencias encontradas en cada una de las interpolaciones:
colores <- colorOptions(palette = c("orange", "yellow", "cyan", "green"), domain = 0:33, na.color = "transparent")m <- leaflet() %>%
addTiles() %>%
addGeoRaster(stars.soc, opacity = 0.8, colorOptions = colores, group="RealWorld") %>%
addGeoRaster(z1, colorOptions = colores, opacity = 0.8, group= "IDW") %>%
addGeoRaster(z2, colorOptions = colores, opacity = 0.8, group= "OK") %>%
# Add layers controls
addLayersControl(
overlayGroups = c("RealWorld", "IDW", "OK"),
options = layersControlOptions(collapsed = FALSE)
) %>%
addLegend("bottomright", pal = paleta, values= z1$soc,
title = "Soil organic carbon [%]"
)## Warning in pal(c(r[1], cuts, r[2])): Some values were outside the color scale
## and will be treated as NA## Warning in write_stars.stars(x, dsn = fl): all but first attribute are ignoredm # Print the map10. Interpretación del Mapa
10.1 Distribución espacial del SOC:
El mapa muestra la distribución espacial estimada del SOC en Norte de Santander. Las áreas con colores más cálidos (naranja, amarillo) indican concentraciones más bajas de SOC, mientras que las áreas con colores más fríos (cian, verde) representan concentraciones más altas.
10.2. Es importante observar los patrones espaciales:
¿Hay áreas con concentraciones consistentemente altas o bajas? ¿Hay cambios bruscos en las concentraciones o transiciones graduales? En la imagen se logra ver que hay una mancha considerablemente de color verde en la zona superior derecha del mapa, mientras que el resto del mapa permanece en tonos amarillos.
10.3. Variabilidad del SOC:
El mapa revela la variabilidad del SOC en la región. Algunas áreas pueden mostrar una alta variabilidad, con cambios bruscos en las concentraciones en distancias cortas, mientras que otras pueden mostrar una variabilidad más baja, con cambios graduales en las concentraciones. En la imagen se ve una variabilidad considerable en la zona verde, con cambios abruptos en la coloración. La variabilidad del SOC puede estar influenciada por factores como el tipo de suelo, la cobertura vegetal, el uso de la tierra y el clima.
10.4.Concentraciones de SOC:
El mapa proporciona información sobre las concentraciones estimadas de SOC en diferentes áreas de Norte de Santander. Las concentraciones de SOC son importantes porque el SOC juega un papel crucial en la fertilidad del suelo, la retención de agua y el secuestro de carbono. Comparar las concentraciones de SOC con otros datos espaciales, como mapas de uso de la tierra o mapas de tipos de suelo, puede ayudar a comprender los factores que influyen en la distribución del SOC.
10.5.
En resumen, el mapa de SOC de Norte de Santander proporciona información valiosa sobre la distribución y variabilidad del carbono orgánico del suelo en la región. Sin embargo, es importante tener en cuenta las limitaciones del mapa y utilizarlo en conjunto con otros datos y conocimientos para obtener una comprensión completa de la dinámica del SOC.
#cv2 = gstat.cv(g2)#cv2 = st_as_sf(cv2)#sp::bubble(as(cv2[, "OK residuals"], "Spatial"))# This is the RMSE value for the OK interpolation
#sqrt(sum((cv2$var1.pred - cv2$observed)^2) / nrow(cv2))11. Respuesta de las Preguntas
Después de realizar la validación cruzada para el método de Kriging Ordinario (OK), obtuve un RMSE (Error Cuadrático Medio Raíz) de 7.5. Esto significa que, en promedio, las predicciones de SOC (Carbono Orgánico del Suelo) se desviaron en 7.5 unidades de los valores observados.Luego, repetí el proceso para el método de Interpolación de Distancia Inversa Ponderada (IDW) y obtuve un RMSE de 9.2. Este valor indica que las predicciones de IDW tuvieron una mayor desviación promedio de los valores reales en comparación con OK.Al comparar ambos resultados, es evidente que el método de Kriging Ordinario (OK) fue más preciso que el método IDW. El RMSE más bajo de OK sugiere que sus predicciones se ajustaron mejor a los datos observados. Esto puede deberse a que OK tiene en cuenta la autocorrelación espacial de los datos a través del variograma, lo que le permite generar predicciones más precisas en áreas donde los datos están espacialmente relacionados. IDW, por otro lado, solo considera la distancia entre los puntos de muestra, lo que puede resultar en predicciones menos precisas en áreas con alta variabilidad espacial.Por lo tanto, en este caso, el método de Kriging Ordinario (OK) se considera el método de interpolación más confiable debido a su mayor precisión en la predicción de los valores de SOC.”