Datos espaciales y análisis exploratorio

Maestría en Estadística Aplicada

Roberto Trespalacios

• Datos espaciales y análisis exploratorio
  • Datos georeferenciados
    • Creación y tratamiento de datos tipo vector en R (librería sp)
    • Gráficos exploratorios
    • Aplicaciones

• La librería sp es el paquete principal que soporta el análisis de datos espaciales en R.
• sp define un conjunto de clases para representar datos espaciales.

¡Para tener en cuenta!

• Una clase define un tipo de datos particular.
• Un dataframe es un ejemplo de una clase.
• Cualquier dataframe particular que crees es un objeto (instancia) de esa clase.

• La librería sp introduce una serie de clases con nombres que comienzan con Spatial.
• Para los datos vectoriales, los tipos básicos son los:
  • SpatialPoints, SpatialLines y SpatialPolygons. Estas clases solo representan geometrías.
  • Para almacenar atributos, debe agregarse estos nombres el prefijo DataFrame.
    
    • SpatialPolygonsDataFrame, SpatialLinesDataFrame y SpatialPointsDataFrame.
  • Cuando se hace referencia a cualquier objeto con un nombre que comience con Spatial, se escribe
    • Spatial(Points/Lines/Polygons)
    • Spatial(Points/Lines/Polygons)DataFrame, si es una instancia.
• Vamos algunos ejemplos de la cración y manipulación de estas clases de la librería sp.
  

Usemos el objeto SpatialPoints para crear un objeto SpatialPointsDataFrame.

1 . Necesitamos un dataframe con la misma cantidad de filas que instancias del objeto geometrico (puntos).

df <- data.frame(ID=1:nrow(lonlat), precipitacion=(latitud-30)^3)

2 . Combinemos el SpatialPoints con el dataframe.

ptsdf <- SpatialPointsDataFrame(pts, data=df)

3 . Veamos como queda su contenido.

#usando str
str(ptsdf)

#usando showDefault
showDefault(ptsdf)

Finalmente, generemos un “mapa”, con los elementos de la clase spPolygons.

plot(pols, axes=TRUE, las=1, main="Mapa", xlab="Lon", ylab="Lat")

#plot(pols, border='blue', col='yellow', lwd=3,add=TRUE)
#points(pts, col='red', pch=20, cex=3)

• El paquete sp admite datos ráster (en cuadrícula) con las clases SpatialGridDataFrame y SpatialPixelsDataFrame.
• No obstante, se usará la librería raster y sus clases para los datos tipo raster.

• La libraría raster, tiene las clases:

  • RasterLayer, RasterBrick y RasterStack; que son las más importantes para nosostros.
  • Observación: cuando se discuten los métodos que pueden operar en estos tres objetos, se los denomina objetos 'Raster*'.

• La librería ráster tiene funciones para crear, leer, manipular y escribir datos ráster.

• Proporciona, entre otras cosas, funciones generales de manipulación de datos raster para desarrollar funciones más específicas. Por ejemplo para:

  • leer un fragmento de valores ráster de un archivo
  • convertir número de celda a coordenadas y viceversa.

• La librería también implementa otras funciones para la manipulación de datos raster.

• Un objeto RasterLayer representa datos ráster de capa única (variable).
• Un objeto RasterLayer tiene los parámetros:
  • número de columnas y filas, la extensión espacial y el sistema de referencia de coordenadas.
• Además, un RasterLayer puede almacenar información sobre el archivo en el que se almacenan los valores de la celda raster (si existe tal archivo); así como los valores de celda ráster en la memoria.

# creamos el raster con algunos parametros
r <- raster(ncol=10, nrow=10, xmx=-80, xmn=-150, ymn=20, ymx=60)
values(r) <- 1:ncell(r)


r2 <- r * r
r3  <- sqrt(r)

# RasterStack
s <- stack(r, r2, r3)

plot(s)

# RasterBrick
b <- brick(s)
plot(b)

Puede Mezclar(unir) un data.frame con un objeto Spatial* con merge.

dfr <- data.frame(Depto=p$NAME_1, ComInt=p$TYPE_1, Value=round(runif(length(p), 100, 1000)))
dfr <- dfr[order(d$TYPE_1), ]
pm <- merge(p, dfr, by.x=c('NAME_1', 'TYPE_1'), by.y=c('Depto', 'ComInt'))

Guardar una variable del SpatialPolygonsDataFrame

i <- which(p$TYPE_1 == "Departamento")
g <- p[i,]

Creemos una malla(grid) sobre una parte del mapa (.shp)

z <- raster(p, nrow=5, ncol=5, vals=1:25)
names(z) <- 'Zona'
# obligar al RasterLayer para convertirlo en SpatialPolygonsDataFrame por zonas 
z <- as(z, 'SpatialPolygonsDataFrame')

Coloquemos la malla(grid) sobre una parte del mapa (.shp)

z2 <- z[2,]
plot(p)
plot(z, add=TRUE, border='blue', lwd=3)
plot(z2, add=TRUE, border='red', lwd=2, density=6, col='red')

Para Anexar el objeto SpatialPolygonsDataFrame z a p usemos bind

b <- bind(p, z)
head(b)
tail(b)

Agregue SpatialPolygons disolviendo el mapa

pa <- aggregate(p, by='TYPE_1')
za <- aggregate(z)
plot(za, col='light gray', border='light gray', lwd=5)
plot(pa, add=TRUE, col=rainbow(3), lwd=3, border='white')

Agregue SpatialPolygons sin disolver el mapa

pa <- aggregate(p, by='TYPE_1',dissolve=FALSE)
za <- aggregate(z)
plot(za, col='light gray', border='light gray', lwd=5)
plot(pa, add=TRUE, col=rainbow(3), lwd=3, border='white')

Interceptar SpatialPolygons

i <- intersect(p, z2)

# i <- p * z2 #equivalente
plot(i)

Interceptar una celda con el mapa

e <- extent(-75.8, -74.5, 9.5, 10.9)
pe <- crop(p, e)
plot(p)
plot(pe, col='light blue', add=TRUE)
plot(e, add=TRUE, lwd=3, col='red')

Unir dos objetos de tipo SpatialPolygon*.

u <- union(p, z)
# equivalente
#u <- p + z

Ahora, cada una de las areas segmentadas forma un poligono; además de los existentes en el mapa

set.seed(5)
plot(u, col=sample(rainbow(length(u))))

cover es una combinación de intersección y unión

cov <- cover(p, z)
cov

plot(cov)

Diferencia simetrica de dos objetos SpatialPolygons*

dif <- symdif(z,p)
plot(dif, col=rainbow(length(dif)))