#Análisis Geoestadístico del Plomo en el Valle del Meuse

###El siguiente flujo de trabajo implementa un análisis exploratorio y geoestadístico de concentraciones de plomo (Pb) en el valle del río Meuse. Se emplean objetos espaciales tipo sf, análisis variográfico y técnicas básicas de estadística espacial descriptiva.

##1. Importación y Preparación de Datos Espaciales setwd(“~/Geo/1°S 2025/DATOS_PRUEBA1/DATOS_PRUEBA1”) library(gstat) library(tidyverse) library(sf) library(terra)

meuse <- st_read(“meuse.shp”) st_crs(meuse)

plomo <- read.csv(“datos_plomo.csv”) %>% st_as_sf(coords = c(“x”,“y”), crs = 9001) st_crs(plomo) <- st_crs(plomo)

###Se carga la capa vectorial meuse.shp, que representa la geometría del valle.

###Se importan los puntos de muestreo de plomo desde un CSV y se convierten a un objeto sf utilizando sus coordenadas.

###Se establece el sistema de referencia espacial (CRS 9001, generalmente asociado a proyecciones planas métricas).

##2. Visualización Espacial del Dominio de Estudio plot(meuse\(geometry, main="plomo - valle del meuse") plot(plomo\)geometry, col=“red”, add = TRUE)

###Se genera un mapa base con los límites del valle y se superponen los puntos de muestreo de plomo, permitiendo visualizar la distribución espacial de la red de observaciones.

##3. Exploración Estadística Univariada copia_plomo <- plomo %>% st_drop_geometry() %>% dplyr::select(-c(X)) hist(copia_plomo\(plomo, xlab="Pl") summary(copia_plomo) boxplot(copia_plomo\)plomo, main=“Boxplot - Plomo en el valle meuse”)

##Las geometrías se separan para obtener una tabla puramente atributiva. ###Se realizan:

Histograma → Distribución de frecuencias del plomo.

###Medidas descriptivas → Media, mediana, cuartiles y valores extremos.

###Diagrama de caja → Identificación de valores atípicos y dispersión general.

##4. Análisis de Continuidad Espacial mediante Cloud de Semivarianzas hscat(formula = plomo ~ 1, data = plomo, breaks = c(20,30,90,120,200,400,700,1000,1500,2500,5000))

###El gráfico h-scatterplot evalúa la relación espacial entre pares de puntos a intervalos crecientes de distancia, proporcionando evidencia preliminar de autocorrelación espacial.

##5. Tendencias Espaciales en los Ejes Cardinales par(mfrow=c(2,1))

df_plomo <- read.csv(“datos_plomo.csv”, header = TRUE, sep=“,”)

plot(df_plomo\(x, df_plomo\)plomo, xlab=“oeste-este”, ylab=“plomo”) abline(lm(df_plomo\(plomo ~ df_plomo\)x), col=“red”)

plot(df_plomo\(y, df_plomo\)plomo, xlab=“sur-norte”, ylab=“plomo conc”) abline(lm(df_plomo\(plomo ~ df_plomo\)y), col=“red”)

##Se examina la existencia de tendencia direccional (gradient spatial) de la concentración de plomo:

Eje Oeste–Este (X)

###Eje Sur–Norte (Y)

###La recta de regresión permite identificar si hay pendiente significativa que sugiera un componente estructural antes de ajustar el variograma.

##6. Construcción del Mapa Variográfico gm_map <- variogram(plomo ~ 1, data = plomo, cutoff = 1000, width = 100, map = TRUE)

plot(gm_map, col.regions = viridis::viridis(100), main = “Mapa variografico de plomo en valle Meuse”, xlab = “Variacion eje X”, ylab = “Variacion eje Y”)

###Se genera un variograma direccional en formato de mapa, representando la estructura de dependencias espaciales:

Cutoff = 1000 m: distancia máxima considerada.

###Width = 100 m: ancho de los bins espaciales.

###El resultado es un mapa que muestra anisotropías o patrones direccionales en la semivarianza.

###Resumen Técnico

###Este flujo corresponde a un análisis clásico en geoestadística:

Preparación y limpieza de datos espaciales

###Exploración estadística y visualización temática

###Evaluación preliminar de autocorrelación espacial

###Detección de tendencias regionales

###Cálculo de un variograma empírico en formato direccional

###Este pipeline es la base para la modelación variográfica y posterior interpolación mediante kriging.