Mapas em R com geobr e tmap - dados de competitividade municipal CLP

Abstract

In this exercise I use R and tmap and geobr packages to map the Competitiveness indexes for municipalities in Brazil. It’s written in portuguese and, so, I encourage non-portuguese speakers to open the html post in Google Chrome or similar with the translate option.

Licença

This work is licensed under the Creative Commons Attribution-ShareAlike 4.0 International License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/4.0/ or send a letter to Creative Commons, PO Box 1866, Mountain View, CA 94042, USA.

License: CC BY-SA 4.0

As ideias aqui expressas são de responsabilidade exclusiva do autor, e não representam as opiniões da instituição a que pertence.

Citação

Sugestão para citação: FIGUEIREDO, Adriano Marcos Rodrigues. Mapas em R com geobr e tmap - dados de competitividade municipal CLP`. Campo Grande-MS,Brasil: RStudio/Rpubs, 2025. Disponível em https://rpubs.com/amrofi/mapas-com-geobr-tmap/.

1 Introdução

Para realizar seu mapa em R, inicialmente o leitor deve baixar os programas e pacotes necessários ao projeto. Neste caso, sugere-se que utilize o RStudio e o R atualizados, a partir de: http://cran.r-project.org/bin/windows/base/ e https://www.rstudio.com/products/rstudio/download3/. Quando esta revisão foi feita, a versão do RStudio era a RStudio 2025.05.0 Build 496 e do R version 4.5.1 for Windows (32/64 bit).

Primeiro instale o R e posteriormente o RStudio, de modo que o segundo reconheça automaticamente o primeiro. Se tudo estiver perfeito, a tela inicial do RStudio mostrará corretamente a versão do R.

2 Mapas em R

Agora a meta é gerar um mapa simples em R. Para tanto, primeiro define-se a malha municipal desejada. Para o presente caso, utilizam-se as malhas digitais do pacote geobr.

Os pacotes (previamente instalados) são aqui carregados:

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.2     ✔ tibble    3.2.1
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.0.4     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(geobr)

## Carregando namespace exigido: sf

library(ggplot2) # Para manipulação de dados espaciais
library(sf) # Para manipulação de dados espaciais

## Linking to GEOS 3.13.1, GDAL 3.10.2, PROJ 9.5.1; sf_use_s2() is TRUE

library("ggspatial") # Para visualização espacial
library(rgeoda)

## Carregando pacotes exigidos: digest

library(tmap)

O pacote geobr tem as rotinas para o download dos mapas com divisões territoriais variadas. Faremos para os municípios brasileiros, malha com a estrutura municipal de 2024, contendo 5.571 municípios. É importante o leitor ter essa estrutura em mente, pois ao longo dos anos, municípios são criados a partir de desmembramentos de outros, não necessariamente respeitando limites de distritos ou outros atributos previamente definidos.

library(geobr)
options(timeout= 4000000)
mapa_br <- read_municipality(code_muni = "all", year = 2024)
saveRDS(mapa_br,"mapa_br.rds")

mapa_br <- readRDS("F:/disciplinas/economia regional/laboratorio_R/competitividade_CLP/mapa_br.rds")
names(mapa_br) # Verificar nomes das colunas do mapa

## [1] "code_muni"    "name_muni"    "code_state"   "abbrev_state" "name_state"  
## [6] "code_region"  "name_region"  "geom"

class(mapa_br) # [1] "sf"         "data.frame"

## [1] "sf"         "data.frame"

# [1] "code_muni"    "name_muni"    "code_state"   "abbrev_state" "name_state"   "code_region"  "name_region"  "geom" 

É possível verificar que esse objeto é da classe sf e data.frame. Um objeto sf contém uma coleção de recursos incluindo atributos e geometrias que contemplam os aspectos espaciais para desenhar o mapa.

Primeiro vou trabalhar com os dados para plotar com ggplot2. Vou carregar os dados de competitividade do CLP, disponíveis em: https://rankingdecompetitividade.org.br/municipios/.

# Dados de municipios_ranking-geral.csv
municipios<- read_csv("municipios_ranking-geral.csv", skip = 1)

## Rows: 418 Columns: 5
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): Nome
## dbl (4): Código IBGE, Posição, Variação, Nota Normalizada
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# juntar mapa_br com municipios, preservando formato sf
mapa_ranking <- left_join(mapa_br, municipios, by=c("code_muni"="Código IBGE"))
class(mapa_ranking) # [1] "sf"         "data.frame"

## [1] "sf"         "data.frame"

# Verificar se houve perda de linhas
nrow(mapa_br) # 5571 ok

## [1] 5571

nrow(municipios) # 418

## [1] 418

nrow(mapa_ranking) # 5571 ok

## [1] 5571

# Verificar nomes das colunas
names(mapa_ranking)

##  [1] "code_muni"        "name_muni"        "code_state"       "abbrev_state"    
##  [5] "name_state"       "code_region"      "name_region"      "Nome"            
##  [9] "Posição"          "Variação"         "Nota Normalizada" "geom"

# [1] "code_muni"        "name_muni"        "code_state"       "abbrev_state"     "name_state"       "code_region"     
# [7] "name_region"      "Nome"             "Posição"          "Variação"         "Nota Normalizada" "geom"  


# Mapa colorido com classes de ranking ----
min(mapa_ranking$`Nota Normalizada`, na.rm=TRUE) # [1] 30.4

## [1] 30.4

max(mapa_ranking$`Nota Normalizada`, na.rm=TRUE) # [1] 62.47

## [1] 62.47

# fazer classes de cores para o mapa, de 30 até 65 de 5 em 5, para variável mapa_ranking$`Nota Normalizada`
mapa_ranking <- mapa_ranking %>%
  mutate(classe_ranking = case_when(
    `Nota Normalizada` < 35 ~ "[30-35(",
    `Nota Normalizada` >= 35 & `Nota Normalizada` < 40 ~ "[35-40(",
    `Nota Normalizada` >= 40 & `Nota Normalizada` < 45 ~ "[40-44(",
    `Nota Normalizada` >= 45 & `Nota Normalizada` < 50 ~ "[45-49(",
    `Nota Normalizada` >= 50 & `Nota Normalizada` < 55 ~ "[50-54(",
    `Nota Normalizada` >= 55 & `Nota Normalizada` < 60 ~ "[55-59(",
    `Nota Normalizada` >= 60 ~ "[60-65(",
    TRUE ~ NA_character_
  ))
# Mapa do Brasil com classes de ranking ----
ggplot() +
  geom_sf(data=mapa_ranking, 
          aes(fill=`classe_ranking`), 
          color= "black", size=.15)+
  labs(title="Competitividade dos Municipíos Brasileiros - CLP",
       caption='Fonte: Elaboração própria com dados básicos da CLP', size=8)+
  scale_fill_discrete(name="Classes de Ranking")+
  theme_minimal()+ 
  annotation_north_arrow(location = "bl", # norte magnetico no mapa
                         which_north = "true", 
                         pad_x = unit(0.65, "in"), 
                         pad_y = unit(0.3, "in"), 
                         style = north_arrow_fancy_orienteering) +
  annotation_scale(location = "bl", width_hint = 0.3) # barra de escala no mapa

## Scale on map varies by more than 10%, scale bar may be inaccurate

Agora vou criar um shapefile que pode ser utilizado em outros programas como o Geoda, QGIS, ArcGIS, PhilCarto etc.

# Gerar shapefile do mapa_ranking ----
# antes de criar shapefile vou mudar code_muni para character
mapa_ranking.shp <- mapa_ranking %>%
  mutate(code_muni = as.character(code_muni))
st_write(mapa_ranking.shp, "mapa_ranking.shp", delete_dsn = TRUE)

## Warning in abbreviate(fld_names, minlength = 7): abbreaviate usado com
## caracteres não-ASCII

## Warning in abbreviate_shapefile_names(obj): Field names abbreviated for ESRI
## Shapefile driver

## Deleting source `mapa_ranking.shp' using driver `ESRI Shapefile'
## Writing layer `mapa_ranking' to data source 
##   `mapa_ranking.shp' using driver `ESRI Shapefile'
## Writing 5571 features with 12 fields and geometry type Multi Polygon.

#
# Usar rgeoda para fazer o mapa de quebras naturais (natural breaks) ----
# com a variável NtNrmlz do shapefile mapa_ranking.shp
# o pacote já está instalado e carregado
# carregar shapefile
mapa_ranking.shp2 <- st_read("mapa_ranking.shp")

## Reading layer `mapa_ranking' from data source 
##   `F:\disciplinas\economia regional\laboratorio_R\competitividade_CLP\mapa_ranking.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 5571 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.98681 ymin: -33.75108 xmax: -28.84778 ymax: 5.26962
## Geodetic CRS:  SIRGAS 2000

# Usar rgeoda para fazer o mapa de quebras naturais (natural breaks) ----
# com a variável NtNrmlz do shapefile mapa_ranking.shp
# o pacote já está instalado e carregado
# mapa_ranking.shp2 carregado
names(mapa_ranking.shp2)

##  [1] "code_mn"  "name_mn"  "cod_stt"  "abbrv_s"  "nam_stt"  "cod_rgn" 
##  [7] "nam_rgn"  "Nome"     "Posição"  "Variaçã"  "NtNrmlz"  "clss_rn" 
## [13] "geometry"

# [1] "code_mn"  "name_mn"  "cod_stt"  "abbrv_s"  "nam_stt"  "cod_rgn"  "nam_rgn" 
# [8] "Nome"     "Posição"  "Variaçã"  "NtNrmlz"  "clss_rn"  "geometry"
# [1] 30.40 36.24 41.08 45.92 50.76 55.60 60.44 62.47

# https://geodacenter.github.io/opioid-environment-toolkit/visualizeArealData-tutorial.html

Agora fazendo o mapa pelo tmap a partir do shapefile.

tmap_mode('plot') # modo plot

## ℹ tmap mode set to "plot".

p1 <- tm_shape(mapa_ranking.shp2) +
  tm_fill(
    fill = "NtNrmlz",
    fill.scale = tm_scale_intervals(
      breaks = c(-Inf, 30.400, 36.720, 43.930, 47.450, 49.760, 53.680, Inf),
      values = c("#FFFFCC","#FADC86","#F9C652","#E48629",
                 "#CC5C0D","#A44507","#732000"),
      value.na = "#FFFFCC"  # cor para os NAs
    ),
    fill.legend = tm_legend(
      title = "Ranking Normalizado: Quebras Naturais"
    )
  ) +
  tm_borders() +
  tm_title("Ranking CLP - Jenks - Quebras Naturais", size = 0.9) +
  tm_layout(
    frame = FALSE,
    legend.outside = TRUE,
    legend.outside.position = "right",
    legend.title.size = 0.9
  ) +
  # 👉 Norte geográfico (estrela)
  tm_compass(type = "8star", position = c("right", "bottom"), size = 2) +
  # 👉 Barra de escala (v4 usa tm_scalebar)
  tm_scalebar(position = c("left", "bottom"))


p1

## Scale bar set for latitude km and will be different at the top and bottom of the map.

tmap_save(p1, 'CLP_Rank_Norm_Jenks.png')# save the map in a .png file

## Scale bar set for latitude km and will be different at the top and bottom of the map.
## Map saved to F:\disciplinas\economia regional\laboratorio_R\competitividade_CLP\CLP_Rank_Norm_Jenks.png
## Resolution: 2223.67 by 1983.208 pixels
## Size: 7.412235 by 6.610692 inches (300 dpi)

Vou chamar o mapa salvo como ‘CLP_Rank_Norm_Jenks.png’.