Pacotes

Para fazer todo isso em menos de 100 linhas, precisamos os seguintes pacotes, que deve esta instalado antes: plyr, tidyverse, sf, mapview, sjPlot, sjmisc, sjlabelled, interactions.

Portanto, deve Instalar os pacotes necessários antes de começar:

install.packages(c("plyr","tidyverse", "raster","sf", "mapview", 
                   "sjPlot", "sjmisc", "sjlabelled", "interactions"))

Carregar pacotes:

library(plyr)
library(tidyverse)
library(sf)
library(mapview)
library(sjPlot)
library(sjmisc)
library(sjlabelled)
library(interactions)

Agora podemos fazer um gráfico com função “ggplot” (pacote ggplot2), que faz parte do “tidyverse”. Mais exemplos no R cookbook : http://www.cookbook-r.com/Graphs/ .

Primeiro gráfico com os dados “mtcars” no pacote ggplot2:

ggplot2::ggplot(mtcars, aes(x = wt, y =  mpg)) + geom_point()

Para entender melhor pode verificar ajudar no R:

?mtcars
?geom_point

Mais exemplos com Scatterplots aqui: http://www.cookbook-r.com/Graphs/Scatterplots_(ggplot2)/

1) Carregar arquivos com dados de SIG.

Baixar arquivo com os dados (formato “GPKG”, tamanho 54.3 MB).

Link: https://github.com/darrennorris/gisdata/blob/master/inst/vector/rivers.GPKG . Lembrando-se de salvar o arquivo (“rivers.GPKG”) em um local conhecido no seu computador.

Agora avisar R sobre onde ficar o arquivo. O código abaixo vai abrir uma nova janela, e você deve buscar e selecionar o arquivo “rivers.GPKG”:

meuSIG <- file.choose()

Agora vamos olhar o que tem no arquivo.

sf::st_layers(meuSIG)

Existem camadas diferentes com pontos e linhas:

#> Driver: GPKG 
#> Available layers:
#>   layer_name geometry_type features fields
#> 1  midpoints         Point       52     15
#> 2 centerline   Line String       52     15
#> 3 forestloss         Point   276086     12

rsm <- sf::st_read(meuSIG, layer = "midoints")
rsl <- sf::st_read(meuSIG, layer = "centerline")
fl <- sf::st_read(meuSIG, layer = "forestloss")

2) Mapas

ggplot2::ggplot(fl) + geom_sf(data = fl, aes(color=zone))

ggplot(rsl) +
  geom_sf(aes(color=rio)) +
  geom_sf(data = rsm, shape=21, aes(fill=zone))

2.3) Interativo (funcione somente com internet)

Mostrando agora com fundo de mapas “base” (OpenStreetMap/ESRI etc)

mapview(rsl, zcol = "rio") + mapview(rsm, zcol = "zone")

Mais exemplos com mapas e dados espaciais no R:

sf e ggplot2 : https://www.r-spatial.org/r/2018/10/25/ggplot2-sf.html

Capitulo 8 no livro Geocomputation with R : https://geocompr.robinlovelace.net/adv-map.html

3) Resumo de dados na tabela de atributos

plyr::ddply(data.frame(fl), .(rio, zone), summarise, 
        rio_km = round((length(dsmt500) / 1000),1),
      fl_500m = round(mean(dsmt500),3), 
      fl_1km = round(mean(X1KM_ds),3),
      fl_5km = round(mean(X5km_ds),3),
      fl_10km = round(mean(X10km_d),3)
      )
#>        rio                       zone rio_km fl_500m fl_1km fl_5km fl_10km
#> 1 Araguari               Amapari-base   32.5   0.092  0.075  0.031   0.032
#> 2 Araguari           barragem-Amapari   42.7   0.167  0.216  0.186   0.178
#> 3 Araguari              base-Araguari   47.4   0.007  0.004  0.002   0.003
#> 4 Araguari             Sta Rosa-Mutum   78.6   0.009  0.008  0.004   0.005
#> 5  Falsino               base-Falsino   32.2   0.015  0.012  0.005   0.004
#> 6  Falsino Espingada-Cachoeira Grande   42.8   0.002  0.001  0.001   0.003

dfsubzona <- plyr::ddply(data.frame(fl), .(rio, zone, subz_id), summarise, 
      afl_500m = round(mean(dsmt500),3), 
      bfl_1km = round(mean(X1KM_ds),3),
      cfl_5km = round(mean(X5km_ds),3),
      dfl_10km = round(mean(X10km_d),3)
)
dfsubzona$zone <- relevel(dfsubzona$zone, ref="barragem-Amapari")

sjPlot::tab_df(dfsubzona)

tab_df(dfsubzona, file = "subzona.html")

write.csv2(dfsubzona, file = "subzona.csv", row.names=FALSE)

4) Gráficos

ggplot2::ggplot(dfsubzona, aes(x = zone, y = afl_500m)) + 
  geom_boxplot()

ggplot2::ggplot(dfsubzona, aes(x = zone, y = afl_500m)) + 
  geom_boxplot(aes(color=rio)) +
  ylab("Proporção desmatado (raio 500 metros)") + xlab("Zona") + 
  coord_flip() + 
   theme_bw() + theme(legend.position=c(0.8, 0.8))

4.2) Gráfico comparando desmatamento entre raios de 500m, 1km, 5km e 10km

Primeiro preciso reorganizar os dados para facilitar apresentação visual:

baplot <- pivot_longer(dfsubzona, cols = c("afl_500m", "bfl_1km", 
                                           "cfl_5km", "dfl_10km"), 
                       names_to = "variable", values_to = "desmat")
baplot$variablef <- as.factor(baplot$variable)
levels(baplot$variablef) <- c("500 m", "1 km", "5 km", "10 km")

Agora o gráfico:

ggplot2::ggplot(baplot, aes(x = zone, y = desmat)) + 
  geom_boxplot(aes(color=rio)) +
  ylab("Proporção desmatado (2000 - 2018)") + xlab("Zona") +
  coord_flip() + 
  theme_bw() +  
  facet_wrap(~variablef)

5) Analises estatistica, comparando desmatamento entre zonas e raios

Veja guias mostrando analises estatisticas no R para entender melhor: Capítulo 12 no livro “Ciência de Dados com R–Introdução……”: https://cdr.ibpad.com.br/modelos.html

Modelo adequado para dados de proporção (valores de 0-1). Aqui um modelo comparando efeito de raio (500 m, 1 km, 5 km, 10 km) e zona sobre proporção de desmatamento:

glm1 <- glm(desmat ~ variablef + zone, family = quasibinomial ,data = baplot)

Agora, mostrando três formas diferentes de apresentar resumo do modelo: Primeiramente com base R:

summary(glm1)
#> 
#> Call:
#> glm(formula = desmat ~ variablef + zone, family = quasibinomial, 
#>     data = baplot)
#> 
#> Deviance Residuals: 
#>      Min        1Q    Median        3Q       Max  
#> -0.40389  -0.07675  -0.03754   0.02427   0.60305  
#> 
#> Coefficients:
#>                                Estimate Std. Error t value Pr(>|t|)    
#> (Intercept)                     -1.3706     0.1163 -11.789  < 2e-16 ***
#> variablef1 km                    0.1064     0.1526   0.697   0.4865    
#> variablef5 km                   -0.2529     0.1629  -1.552   0.1222    
#> variablef10 km                  -0.2763     0.1637  -1.687   0.0931 .  
#> zoneAmapari-base                -1.3315     0.1482  -8.982  < 2e-16 ***
#> zonebase-Araguari               -4.0406     0.3994 -10.116  < 2e-16 ***
#> zonebase-Falsino                -3.2524     0.3337  -9.747  < 2e-16 ***
#> zoneEspingada-Cachoeira Grande  -4.9015     0.6441  -7.610 1.07e-12 ***
#> zoneSta Rosa-Mutum              -3.5434     0.2480 -14.290  < 2e-16 ***
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> (Dispersion parameter for quasibinomial family taken to be 0.02251878)
#> 
#>     Null deviance: 21.0637  on 207  degrees of freedom
#> Residual deviance:  3.2369  on 199  degrees of freedom
#> AIC: NA
#> 
#> Number of Fisher Scoring iterations: 9

E com funções disponíveis no pacote “sjPlot”:

sjPlot::tab_model(glm1)

Gráfico de valores do modelo, no estilo “Forest-plot”

sjPlot::plot_model(glm1, show.values = TRUE, value.offset = .3)

E com funçao “cat_plot” disponivel no pacote “interactions”:

interactions::cat_plot(glm1, pred = variablef, modx = zone, x.label = "Raio",
         y.label = "Proporção desmatado (2000 - 2018)")

6) Finalizar.

Salvar uma copiar de dados para uso futuro.

save.image("intro.RData")

7) Leitura

Para quem buscar mais detalhes sobre os funções/métodos estatísticas no R:

Livro Processamento e Análise de Dados : https://www.msperlin.com/padfeR/index.html

Livro Ciência de Dados com R : https://cdr.ibpad.com.br/

Além disso, existem fontes variadas de ajudar online:

cursos : https://pt.coursera.org/learn/r-programming;

R-br a lista Brasileira oficial de discussão do programa R: http://r-br.2285057.n4.nabble.com/,

Capítulos 1 a 3 no livro “Processamento e Análise de Dados…..”: https://www.msperlin.com/padfeR/index.html

Capítulos 1 a 2 no livro “Ciência de Dados com R–Introdução……”: https://cdr.ibpad.com.br/cdr-intro.pdf

Ingles

Instruções de instalação: https://moderndive.netlify.com/1-getting-started.html

Com 3 aulas básicas: https://rladiessydney.org/courses/ryouwithme/01-basicbasics-0/

Foruns: rcomputing : https://www.facebook.com/rcomputing/ ;

https://www.r-bloggers.com/ exemplo com PCA:

https://www.r-bloggers.com/computing-and-visualizing-pca-in-r/