knitr::opts_chunk$set(cache = FALSE, warning = FALSE, message = FALSE)

1.Introduccion

Este cuaderno ilustra cómo calcular atributos de terreno geomorfométricos a partir de modelos digitales de elevación en cuadrícula. Su objetivo es enseñar conceptos y herramientas básicas de geoinformática a los estudiantes de pregrado de agronomía de la Universidad Nacional de Colombia.

Para calcular los atributos del terreno, utilizaremos el paquete de R MultiscaleDTM.

Al crear tu cuaderno, asegúrate de agregar tanto texto como sea necesario para: (i) explicar cada bloque de código; y (ii) describir el resultado correspondiente. Estos dos criterios serán considerados para evaluar la calidad de tu cuaderno.

2.Setup

Limpiamos memoria

rm(list=ls())

Cargamos las librerias que se habian instalado

library(elevatr)
library(sf)
library(leaflet)
library(terra)
library(MultiscaleDTM)
library(exactextractr)

3. Introduction to MultiscaleDTM

Este paquete de R calcula atributos geomorfométricos del terreno a múltiples escalas a partir de modelos digitales de terreno en cuadrícula regular (como rásteres de elevación o batimetría) mediante el uso de una ventana móvil especificada.

Funciones Principales

Pendiente, Orientación y Curvatura (Slope, Aspect and Curvature)

La función SlpAsp calcula la pendiente y la orientación a múltiples escalas utilizando un subconjunto de celdas dentro de una ventana focal (por ejemplo, ventanas de 3x3 o de 5x5) para analizar las características topográficas del terreno.

#4.Leemos los datos que tenemos

Primero, cargaremos un MDE (DEM) ráster para nuestro departamento. En este cuaderno, utilizaré un MDE obtenido previamente utilizando este cuaderno.

Leamos el MDE usando terra:

(dem = terra::rast("C:/Users/Acer/Desktop/GB2R/CuadernoDEM/datos/elev_narino_z10.tif"))

## class       : SpatRaster
## size        : 3581, 3604, 1  (nrow, ncol, nlyr)
## resolution  : 76.36952, 76.36952  (x, y)
## extent      : 4320038, 4595274, 1596968, 1870447  (xmin, xmax, ymin, ymax)
## coord. ref. : +proj=tmerc +lat_0=4 +lon_0=-73 +k=0.9992 +x_0=5000000 +y_0=2000000 +ellps=GRS80 +units=m +no_defs
## source      : elev_narino_z10.tif
## name        : elev_narino_z10
## min value   :           -2298
## max value   :            4860

Reduzcamos la resolución del MDE para evitar problemas de memoria:

dem2 = terra::aggregate(dem,2, "mean")

## |---------|---------|---------|---------|=========================================

Ahora, leeremos nuestros municipios utilizando la librería sf:

(munic <-  sf::st_read("datos/MUNICIPIOS_9377.gpkg"))

## Reading layer `Municipios' from data source 
##   `C:\Users\Acer\Desktop\GB2R\CuadernoDEM\datos\MUNICIPIOS_9377.gpkg' 
##   using driver `GPKG'
## Simple feature collection with 64 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 4330516 ymin: 1598084 xmax: 4573425 ymax: 1855793
## Projected CRS: MAGNA-SIRGAS 2018 / Origen-Nacional

## Simple feature collection with 64 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 4330516 ymin: 1598084 xmax: 4573425 ymax: 1855793
## Projected CRS: MAGNA-SIRGAS 2018 / Origen-Nacional
## First 10 features:
##    dpto_ccdgo mpio_ccdgo mpio_cdpmp dpto_cnmbr mpio_cnmbr
## 1          52        001      52001     NARIÑO      PASTO
## 2          52        019      52019     NARIÑO      ALBÁN
## 3          52        022      52022     NARIÑO     ALDANA
## 4          52        036      52036     NARIÑO     ANCUYA
## 5          52        051      52051     NARIÑO   ARBOLEDA
## 6          52        079      52079     NARIÑO  BARBACOAS
## 7          52        083      52083     NARIÑO      BELÉN
## 8          52        110      52110     NARIÑO    BUESACO
## 9          52        203      52203     NARIÑO      COLÓN
## 10         52        207      52207     NARIÑO    CONSACÁ
##                           mpio_crslc mpio_tipo mpio_narea mpio_nano shape_Leng
## 1                               1540 MUNICIPIO 1100.30727      2024  1.8749324
## 2               Ordenanza 41 de 1903 MUNICIPIO   38.63843      2024  0.3402693
## 3               Ordenanza 11 de 1911 MUNICIPIO   47.69421      2025  0.4525642
## 4                               1544 MUNICIPIO   68.97813      2024  0.3736985
## 5                               1859 MUNICIPIO   60.23238      2024  0.3754062
## 6                               1916 MUNICIPIO 2736.91500      2024  3.6991487
## 7  Ordenanza 53 Noviembre 29 de 1985 MUNICIPIO   41.87539      2024  0.3732840
## 8                               1899 MUNICIPIO  636.44797      2024  1.2292312
## 9               Ordenanza 37 de 1921 MUNICIPIO   61.79496      2024  0.4592866
## 10                              1900 MUNICIPIO  119.47078      2024  0.4650471
##     shape_Area      AREA2                           geom
## 1  0.089063964 1096.10167 MULTIPOLYGON (((4520703 168...
## 2  0.003129126   38.50430 MULTIPOLYGON (((4547589 172...
## 3  0.003855231   47.44844 MULTIPOLYGON (((4479365 166...
## 4  0.005578855   68.65473 MULTIPOLYGON (((4498046 170...
## 5  0.004877181   60.01407 MULTIPOLYGON (((4539846 172...
## 6  0.220963473 2719.00185 MULTIPOLYGON (((4466350 176...
## 7  0.003391678   41.73274 MULTIPOLYGON (((4546839 173...
## 8  0.051533090  634.16147 MULTIPOLYGON (((4528640 171...
## 9  0.005005108   61.58378 MULTIPOLYGON (((4549917 174...
## 10 0.009664908  118.94025 MULTIPOLYGON (((4498890 169...

Ahora, recortemos el objeto dem2 a los límites de nuestro departamento:

dem3 = terra::crop(dem2,munic, mask=TRUE)

#5. Trasformar coordenadas (10%)

Para calcular los atributos del terreno, el MDE debe estar en coordenadas planas. Como recordarán, el IGAC cambió en 2020 a un sistema de coordenadas planas con origen único nacional. El código EPSG correspondiente al sistema de coordenadas planas de Origen Nacional de Colombia es 9377.

Modifique los siguientes dos bloques de código para transformar los datos de entrada al sistema de coordenadas nacional de Colombia.

(dem_plane = project(dem3, "EPSG:9377"))

## class       : SpatRaster
## size        : 1687, 1590, 1  (nrow, ncol, nlyr)
## resolution  : 152.739, 152.739  (x, y)
## extent      : 4330577, 4573432, 1598114, 1855785  (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s)   : memory
## name        : elev_narino_z10
## min value   :          -220.5
## max value   :          4724.5

También necesitamos realizar una transformación similar para el objeto vectorial:

(munic_plane = sf::st_transform(munic, "EPSG:9377"))

## Simple feature collection with 64 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 4330516 ymin: 1598084 xmax: 4573425 ymax: 1855793
## Projected CRS: MAGNA-SIRGAS 2018 / Origen-Nacional
## First 10 features:
##    dpto_ccdgo mpio_ccdgo mpio_cdpmp dpto_cnmbr mpio_cnmbr
## 1          52        001      52001     NARIÑO      PASTO
## 2          52        019      52019     NARIÑO      ALBÁN
## 3          52        022      52022     NARIÑO     ALDANA
## 4          52        036      52036     NARIÑO     ANCUYA
## 5          52        051      52051     NARIÑO   ARBOLEDA
## 6          52        079      52079     NARIÑO  BARBACOAS
## 7          52        083      52083     NARIÑO      BELÉN
## 8          52        110      52110     NARIÑO    BUESACO
## 9          52        203      52203     NARIÑO      COLÓN
## 10         52        207      52207     NARIÑO    CONSACÁ
##                           mpio_crslc mpio_tipo mpio_narea mpio_nano shape_Leng
## 1                               1540 MUNICIPIO 1100.30727      2024  1.8749324
## 2               Ordenanza 41 de 1903 MUNICIPIO   38.63843      2024  0.3402693
## 3               Ordenanza 11 de 1911 MUNICIPIO   47.69421      2025  0.4525642
## 4                               1544 MUNICIPIO   68.97813      2024  0.3736985
## 5                               1859 MUNICIPIO   60.23238      2024  0.3754062
## 6                               1916 MUNICIPIO 2736.91500      2024  3.6991487
## 7  Ordenanza 53 Noviembre 29 de 1985 MUNICIPIO   41.87539      2024  0.3732840
## 8                               1899 MUNICIPIO  636.44797      2024  1.2292312
## 9               Ordenanza 37 de 1921 MUNICIPIO   61.79496      2024  0.4592866
## 10                              1900 MUNICIPIO  119.47078      2024  0.4650471
##     shape_Area      AREA2                           geom
## 1  0.089063964 1096.10167 MULTIPOLYGON (((4520703 168...
## 2  0.003129126   38.50430 MULTIPOLYGON (((4547589 172...
## 3  0.003855231   47.44844 MULTIPOLYGON (((4479365 166...
## 4  0.005578855   68.65473 MULTIPOLYGON (((4498046 170...
## 5  0.004877181   60.01407 MULTIPOLYGON (((4539846 172...
## 6  0.220963473 2719.00185 MULTIPOLYGON (((4466350 176...
## 7  0.003391678   41.73274 MULTIPOLYGON (((4546839 173...
## 8  0.051533090  634.16147 MULTIPOLYGON (((4528640 171...
## 9  0.005005108   61.58378 MULTIPOLYGON (((4549917 174...
## 10 0.009664908  118.94025 MULTIPOLYGON (((4498890 169...

6.Computing terrain attributes (20%)

Busquemos cómo calcular la pendiente (slope) y la orientación (aspect).

Al escribir “?SlpAsp” nos dice efectivamente “Multiscale Slope and Aspect Description Calculates multiscale slope and aspect based on a modified version of the algorithm from Misiuk et al (2021) which extends classical formulations of slope restricted to a 3x3 window to multiple scales by using only cells on the edges of the focal window (see details for more information).”.

Ahora, llamemos a la función SlpAsp:

(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
## size        : 1687, 1590, 2  (nrow, ncol, nlyr)
## resolution  : 152.739, 152.739  (x, y)
## extent      : 4330577, 4573432, 1598114, 1855785  (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s)   : memory
## names       :   slope, aspect
## min values  :       0,      0
## max values  : 63.7891,    360

Partimos el objeto slp_asp en 2 partes

Layer 1:

(slope = subset(slp_asp, 1))

## class       : SpatRaster
## size        : 1687, 1590, 1  (nrow, ncol, nlyr)
## resolution  : 152.739, 152.739  (x, y)
## extent      : 4330577, 4573432, 1598114, 1855785  (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s)   : memory
## name        :   slope
## min value   :       0
## max value   : 63.7891

Descripción del resultado y su significado: El histograma muestra que la mayor parte del territorio es de pendientes bajas, entre 0° y 10°, con una frecuencia que disminuye a medida que aumentan los grados de inclinación. Esto revela un predominio de zonas planas a onduladas, con presencia menor de zonas montañosas con pendientes pronunciadas de maximo 60°.

terra::hist(slope, 
     main = "Narino's slope", 
     xlab = "Slope (in degrees)")

Layer 2:

(aspect =subset(slp_asp, 2))

## class       : SpatRaster
## size        : 1687, 1590, 1  (nrow, ncol, nlyr)
## resolution  : 152.739, 152.739  (x, y)
## extent      : 4330577, 4573432, 1598114, 1855785  (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s)   : memory
## name        : aspect
## min value   :      0
## max value   :    360

terra::hist(aspect, 
     main = "Narino's aspect", 
     xlab = "Aspect (in degrees)")

los grados de pendiente a porcentaje de pendiente:

(slope_perc = tan(slope*(pi/180))*100)

## class       : SpatRaster
## size        : 1687, 1590, 1  (nrow, ncol, nlyr)
## resolution  : 152.739, 152.739  (x, y)
## extent      : 4330577, 4573432, 1598114, 1855785  (xmin, xmax, ymin, ymax)
## coord. ref. : MAGNA-SIRGAS 2018 / Origen-Nacional (EPSG:9377)
## source(s)   : memory
## name        :     slope
## min value   :         0
## max value   : 203.12928

terra::hist(slope_perc, 
     main = "Narino's slope", 
     xlab = "Slope (in percentage)")

terra::hist(slope_perc)

7. Computing zonal statistics (20%)

Una operación de estadística zonal es aquella que calcula estadísticas sobre los valores de celda de un ráster (un ráster de valores) dentro de las zonas definidas por otro conjunto de datos. En nuestro caso, estamos interesados en calcular el promedio de los valores de pendiente por municipio.

Primero, conozcamos la clasificación de pendientes del IGAC para fines agrológicos:

Tabla 3. Clasificación de pendientes por rangos en porcentaje, y escala de colores empleada para su visualización.

Ahora, pongamos manos a la obra:

m <- c(0, 3, 1,  
       3, 7, 2,  
       7, 12,  3, 
       12, 25, 4, 
       25, 50, 5, 
       50, 75, 6,
       75, 160, 7)
m <- matrix(m, ncol=3, byrow = TRUE)
rc <- classify(slope_perc, m, right=TRUE)

Ahora, calculemos las estadísticas zonales usando exactextractr:

(munic$mean_slope <- exactextractr::exact_extract(slope_perc, munic, 'mean'))

##   |                                                                              |                                                                      |   0%  |                                                                              |=                                                                     |   2%  |                                                                              |==                                                                    |   3%  |                                                                              |===                                                                   |   5%  |                                                                              |====                                                                  |   6%  |                                                                              |=====                                                                 |   8%  |                                                                              |=======                                                               |   9%  |                                                                              |========                                                              |  11%  |                                                                              |=========                                                             |  12%  |                                                                              |==========                                                            |  14%  |                                                                              |===========                                                           |  16%  |                                                                              |============                                                          |  17%  |                                                                              |=============                                                         |  19%  |                                                                              |==============                                                        |  20%  |                                                                              |===============                                                       |  22%  |                                                                              |================                                                      |  23%  |                                                                              |==================                                                    |  25%  |                                                                              |===================                                                   |  27%  |                                                                              |====================                                                  |  28%  |                                                                              |=====================                                                 |  30%  |                                                                              |======================                                                |  31%  |                                                                              |=======================                                               |  33%  |                                                                              |========================                                              |  34%  |                                                                              |=========================                                             |  36%  |                                                                              |==========================                                            |  38%  |                                                                              |===========================                                           |  39%  |                                                                              |============================                                          |  41%  |                                                                              |==============================                                        |  42%  |                                                                              |===============================                                       |  44%  |                                                                              |================================                                      |  45%  |                                                                              |=================================                                     |  47%  |                                                                              |==================================                                    |  48%  |                                                                              |===================================                                   |  50%  |                                                                              |====================================                                  |  52%  |                                                                              |=====================================                                 |  53%  |                                                                              |======================================                                |  55%  |                                                                              |=======================================                               |  56%  |                                                                              |========================================                              |  58%  |                                                                              |==========================================                            |  59%  |                                                                              |===========================================                           |  61%  |                                                                              |============================================                          |  62%  |                                                                              |=============================================                         |  64%  |                                                                              |==============================================                        |  66%  |                                                                              |===============================================                       |  67%  |                                                                              |================================================                      |  69%  |                                                                              |=================================================                     |  70%  |                                                                              |==================================================                    |  72%  |                                                                              |===================================================                   |  73%  |                                                                              |====================================================                  |  75%  |                                                                              |======================================================                |  77%  |                                                                              |=======================================================               |  78%  |                                                                              |========================================================              |  80%  |                                                                              |=========================================================             |  81%  |                                                                              |==========================================================            |  83%  |                                                                              |===========================================================           |  84%  |                                                                              |============================================================          |  86%  |                                                                              |=============================================================         |  88%  |                                                                              |==============================================================        |  89%  |                                                                              |===============================================================       |  91%  |                                                                              |=================================================================     |  92%  |                                                                              |==================================================================    |  94%  |                                                                              |===================================================================   |  95%  |                                                                              |====================================================================  |  97%  |                                                                              |===================================================================== |  98%  |                                                                              |======================================================================| 100%

##  [1] 21.080587 33.400925  9.423068 42.493084 33.332905 16.397694 28.878056
##  [8] 28.337721 32.619019 39.599083 26.321308 33.884186 10.676829 30.390375
## [15] 38.427006 32.162880 19.320099 38.239620 37.415833 34.803310 36.027485
## [22] 37.178776 12.075477 29.880524 18.173370 24.162079 33.497238 31.407728
## [29] 30.082270 31.452751 32.958107  5.231098 23.030230 39.376263 46.487659
## [36] 30.090084  7.248667 32.195621  5.717163 24.430866  3.339289 23.524950
## [43]  4.156869 38.465538 29.589329 34.138847 37.771858 12.983334 28.781101
## [50]  3.360935 31.774059 33.629314 31.390396 32.647106 32.124718 26.845453
## [57]  9.088976 33.606876 11.302633 29.685736 27.069786  3.189805 22.982910
## [64] 28.912632

hist(munic$mean_slope, 
     main = "Narino's mean slope", 
     xlab = "Slope (in percentage)")

(munic$class <- exactextractr::exact_extract(rc, munic, 'mode'))

##   |                                                                              |                                                                      |   0%  |                                                                              |=                                                                     |   2%  |                                                                              |==                                                                    |   3%  |                                                                              |===                                                                   |   5%  |                                                                              |====                                                                  |   6%  |                                                                              |=====                                                                 |   8%  |                                                                              |=======                                                               |   9%  |                                                                              |========                                                              |  11%  |                                                                              |=========                                                             |  12%  |                                                                              |==========                                                            |  14%  |                                                                              |===========                                                           |  16%  |                                                                              |============                                                          |  17%  |                                                                              |=============                                                         |  19%  |                                                                              |==============                                                        |  20%  |                                                                              |===============                                                       |  22%  |                                                                              |================                                                      |  23%  |                                                                              |==================                                                    |  25%  |                                                                              |===================                                                   |  27%  |                                                                              |====================                                                  |  28%  |                                                                              |=====================                                                 |  30%  |                                                                              |======================                                                |  31%  |                                                                              |=======================                                               |  33%  |                                                                              |========================                                              |  34%  |                                                                              |=========================                                             |  36%  |                                                                              |==========================                                            |  38%  |                                                                              |===========================                                           |  39%  |                                                                              |============================                                          |  41%  |                                                                              |==============================                                        |  42%  |                                                                              |===============================                                       |  44%  |                                                                              |================================                                      |  45%  |                                                                              |=================================                                     |  47%  |                                                                              |==================================                                    |  48%  |                                                                              |===================================                                   |  50%  |                                                                              |====================================                                  |  52%  |                                                                              |=====================================                                 |  53%  |                                                                              |======================================                                |  55%  |                                                                              |=======================================                               |  56%  |                                                                              |========================================                              |  58%  |                                                                              |==========================================                            |  59%  |                                                                              |===========================================                           |  61%  |                                                                              |============================================                          |  62%  |                                                                              |=============================================                         |  64%  |                                                                              |==============================================                        |  66%  |                                                                              |===============================================                       |  67%  |                                                                              |================================================                      |  69%  |                                                                              |=================================================                     |  70%  |                                                                              |==================================================                    |  72%  |                                                                              |===================================================                   |  73%  |                                                                              |====================================================                  |  75%  |                                                                              |======================================================                |  77%  |                                                                              |=======================================================               |  78%  |                                                                              |========================================================              |  80%  |                                                                              |=========================================================             |  81%  |                                                                              |==========================================================            |  83%  |                                                                              |===========================================================           |  84%  |                                                                              |============================================================          |  86%  |                                                                              |=============================================================         |  88%  |                                                                              |==============================================================        |  89%  |                                                                              |===============================================================       |  91%  |                                                                              |=================================================================     |  92%  |                                                                              |==================================================================    |  94%  |                                                                              |===================================================================   |  95%  |                                                                              |====================================================================  |  97%  |                                                                              |===================================================================== |  98%  |                                                                              |======================================================================| 100%

##  [1] 4 5 3 5 5 4 5 5 5 5 4 5 4 5 5 5 1 5 5 5 5 5 2 5 4 4 4 5 5 5 5 1 4 5 6 5 1 5
## [39] 1 4 1 4 1 5 4 5 5 4 5 1 5 5 5 5 5 5 1 5 2 5 5 1 4 4

hist(munic$class, 
     main = "Narino's reclassified slope", 
     xlab = "Slope (as a category)")

terra::hist(slope_perc)

Transdormamos las coordenadas:

(rc.geo = project(rc, "EPSG:4326"))

## class       : SpatRaster
## size        : 1695, 1589, 1  (nrow, ncol, nlyr)
## resolution  : 0.00137313, 0.00137313  (x, y)
## extent      : -79.01379, -76.83188, 0.3612346, 2.68869  (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326)
## source(s)   : memory
## name        :      slope
## min value   :          0
## max value   : 174.919952

(slope.geo = project(slope_perc, "EPSG:4326"))

## class       : SpatRaster
## size        : 1695, 1589, 1  (nrow, ncol, nlyr)
## resolution  : 0.00137313, 0.00137313  (x, y)
## extent      : -79.01379, -76.83188, 0.3612346, 2.68869  (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326)
## source(s)   : memory
## name        :      slope
## min value   :          0
## max value   : 189.198685

8. Plotting terrain slope (20%)

Primero, necesitaremos una paleta de colores para la pendiente (slope):

Ahora graficámos:

palredgreen <- colorNumeric(c("darkseagreen3","yellow2", "orange", "brown2", "darkred"), values(slope.geo),
  na.color = "transparent")

Hacemos los cambios necesarios:

slope_leaflet <- terra::project(slope_perc, "EPSG:4326")

munic_wgs84 <- sf::st_transform(munic, "EPSG:4326")

leaflet(munic_wgs84) %>% 
  addTiles() %>% 
  setView(-77.3, 1.2, 9) %>%  
  addRasterImage(slope_leaflet, colors = palredgreen, opacity = 0.8) %>% 
  addPolygons(
    color = "black",          
    weight = 1.5,             
    smoothFactor = 0.5, 
    opacity = 1.0,            
    fillOpacity = 0.0,        
    popup = paste("Municipio: ", munic_wgs84$mpio_cnmbr, "<br>", 
                  "slope class: ", munic_wgs84$class, "<br>")
  ) %>% 
  addLegend(pal = palredgreen, values = values(slope_leaflet), 
            title = "Terrain slope in Narino (%)")

9. Visualización alternativa de la pendiente del terreno (15%)

Visualiza la pendiente del terreno en grados y añade etiquetas que muestren los nombres de los municipios junto con sus correspondientes valores de pendiente media. Mantén los valores emergentes (popups) tal como se describen en el mapa anterior.

library(leaflet)

# Asegurar que el ráster de grados esté proyectado para Leaflet
slope_deg_leaflet <- terra::project(slope, "EPSG:4326")

leaflet(munic_wgs84) %>% 
  addTiles() %>% 
  setView(-77.3, 1.2, 9) %>%  
  addRasterImage(slope_deg_leaflet, colors = palredgreen, opacity = 0.8) %>% 
  addPolygons(
    color = "black",          
    weight = 1.5,             
    smoothFactor = 0.5, 
    opacity = 1.0,            
    fillOpacity = 0.0,        
    popup = paste("Municipio: ", munic_wgs84$mpio_cnmbr, "<br>", 
                  "slope class: ", munic_wgs84$class, "<br>"),
    label = paste(munic_wgs84$mpio_cnmbr, "- Pendiente media:", round(munic_wgs84$mean_slope, 2)),
    labelOptions = labelOptions(
      style = list("font-weight" = "normal", padding = "3px 8px"),
      textsize = "12px",
      direction = "auto"
    )
  ) %>% 
  addLegend(pal = palredgreen, values = values(slope_deg_leaflet), 
            title = "Pendiente del terreno Nariño (grados)")

Describe the outcome and its meaning: El mapa muestra la distribución espacial de la pendiente del terreno expresada en grados para el departamento de Nariño, lo que permite identificar con mayor precisión las zonas de relieve escarpado o plano. Las etiquetas permanentes facilitan la lectura rápida de los nombres de los municipios y su pendiente promedio calculada mediante estadística zonal, mientras que los popups interactivos conservan el detalle de la clasificación agrológica.

10. Visualización de la orientación del terreno (aspect) (15%)

Visualiza la orientación del terreno utilizando una paleta adecuada para rumbos y orientaciones.

library(leaflet)
library(terra)

# 1. Calcular el aspecto si aún no lo tienes (usando terra::terrain)
# aspect <- terrain(dem, v = "aspect", unit = "degrees")

# 2. Reproyectar el ráster de aspecto para Leaflet
aspect_leaflet <- terra::project(aspect, "EPSG:4326")

# 3. Definir una paleta cíclica para los rumbos (del 0 al 360 grados)
palaspect <- colorNumeric(
  palette = c("red", "yellow", "green", "cyan", "blue", "magenta", "red"),
  domain = c(0, 360),
  na.color = "transparent"
)

# 4. Crear el mapa interactivo
leaflet(munic_wgs84) %>% 
  addTiles() %>% 
  setView(-77.3, 1.2, 9) %>%  
  addRasterImage(aspect_leaflet, colors = palaspect, opacity = 0.8) %>% 
  addPolygons(
    color = "black",          
    weight = 1.5,             
    smoothFactor = 0.5, 
    opacity = 1.0,            
    fillOpacity = 0.0,        
    popup = paste("Municipio: ", munic_wgs84$mpio_cnmbr, "<br>", 
                  "slope class: ", munic_wgs84$class, "<br>")
  ) %>% 
  addLegend(pal = palaspect, values = c(0, 360), 
            title = "Terrain aspect (degrees)")

Describe the outcome and its meaning: El mapa muestra la orientación de las laderas (aspect) en grados azimutales para el departamento de Nariño. Este parámetro geomorfométrico indica la dirección cardinal hacia la que exponen las pendientes (desde el norte pasando por el este, sur y oeste), lo cual es fundamental en agronomía y ecología para determinar la incidencia de la radiación solar, la evapotranspiración y los regímenes de humedad en los diferentes pisos térmicos y agroecosistemas de la región.

Biliografia

Lizarazo, I., 2025. Geomorphometric terrain attributes in R. Available at https://rpubs.com/ials2un/geomorphometric

Informacion de la sesion

sessionInfo()

## R version 4.5.2 (2025-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 10 x64 (build 19045)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Spanish_Mexico.utf8  LC_CTYPE=Spanish_Mexico.utf8   
## [3] LC_MONETARY=Spanish_Mexico.utf8 LC_NUMERIC=C                   
## [5] LC_TIME=Spanish_Mexico.utf8    
## 
## time zone: America/Bogota
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] exactextractr_0.10.1 MultiscaleDTM_1.0.1  terra_1.9-34        
## [4] leaflet_2.2.3        sf_1.1-1             elevatr_0.99.1      
## 
## loaded via a namespace (and not attached):
##  [1] sass_0.4.10        generics_0.1.4     class_7.3-23       KernSmooth_2.23-26
##  [5] lattice_0.22-7     digest_0.6.39      magrittr_2.0.5     rgl_1.3.36        
##  [9] RColorBrewer_1.1-3 evaluate_1.0.5     grid_4.5.2         fastmap_1.2.0     
## [13] jsonlite_2.0.0     e1071_1.7-17       DBI_1.3.0          promises_1.5.0    
## [17] purrr_1.2.2        scales_1.4.0       crosstalk_1.2.2    codetools_0.2-20  
## [21] jquerylib_0.1.4    cli_3.6.6          shiny_1.13.0       rlang_1.2.0       
## [25] units_1.0-1        base64enc_0.1-6    cachem_1.1.0       yaml_2.3.12       
## [29] otel_0.2.0         raster_3.6-32      tools_4.5.2        dplyr_1.2.1       
## [33] httpuv_1.6.17      png_0.1-9          vctrs_0.7.3        R6_2.6.1          
## [37] mime_0.13          proxy_0.4-29       lifecycle_1.0.5    classInt_0.4-11   
## [41] htmlwidgets_1.6.4  pkgconfig_2.0.3    pillar_1.11.1      progressr_0.19.0  
## [45] bslib_0.10.0       later_1.4.8        glue_1.8.1         Rcpp_1.1.1-1.1    
## [49] tidyselect_1.2.1   tibble_3.3.1       xfun_0.57          rstudioapi_0.18.0 
## [53] knitr_1.51         farver_2.1.2       xtable_1.8-8       htmltools_0.5.9   
## [57] rmarkdown_2.31     compiler_4.5.2     sp_2.2-1

Geomorphometric terrain attributes in R

Mateo Bustos

20/07/2026