Cartografía temática
Marly Daniela Quiroga Buitrago
18/05/2020
1. Introducción
Un público cada vez más amplio explota las potencialidades de este lenguaje gráfico, tan flexible y potente para la transmisión y conceptualización de conocimientos. La representación de los elementos en el espacio permite visibilizar las interrelaciones socio-territoriales y ayuda a comprender su organización y funcionamiento. Con dicha representación, se pueden analizar, simultáneamente, los aspectos generales que marcan un modelo teórico, junto con las contingencias o particularidades que se dan en un lugar. Se ha pasado de representar la información geográfica, a representar geográficamente la información, y bajo este cambio de paradigma, las herramientas cartográficas ofrecen una dimensión espacial que facilita el trabajo, la reflexión y la cooperación transversal entre instituciones, técnicos y ciudadanía. Basados en lo anterior, este cuaderno de R Markdown tiene como objetivo dar información sobre conocimientos básicos de la cartografía temática y algunas de sus aplicaciones, representando principalmente a las Necesidades Básicas Insatisfechas (NBI) y Estadísticas Municipales Agropecuarias en el departamento de Boyacá.
2. Cartografía temática
La cartografía temática pretende reflejar una imagen precisa y clara del ambiente espacial del fenómeno, Para ello emplea diversas variables visuales (forma, color, orientación, valor, tamaño, etc) que le permiten representar mediante objetos geométricos los fenómenos o entidades del mundo real. También enfatiza un tema o temas, como la distribución promedio de lluvia en un área , la densidad de población en un municipio, variables de un cultivo como área sembrada y cosechada, producción y rendimiento.
Las fuentes de datos de los mapas temáticos son muy importantes, se debe contar con fuentes de información precisas, recientes y confiables sobre una amplia gama de temas, desde características ambientales hasta datos demográficos, para hacer los mejores mapas posibles. Actualmente, existen varias técnicas de mapeo temático que se usan con mayor frecuencia:
2.1 Mapa de coropleta
Los mapas de coropletas son una forma de cartografiado cuantitativo utilizada para la representación de información geográfica en un SIG, representan hechos o fenómenos discretos asociados a una superficie (provincias, países…), a las que se aplican símbolos superficiales de acuerdo con su valor. Para ello utiliza una serie de tramas o colores para representar diferentes magnitudes positivas o negativas, crecientes o decrecientes en intervalos de un mismo hecho (densidad de población, volumen de producción, renta per cápita, porcentaje de población activa, etc) aplicados a estas zonas siguiendo el criterio de ‘cuanta más cantidad, más oscuro’.
2.2 Mapa de símbolos proporcionales o graduados
Un mapa de símbolos proporcionales o graduados, es un mapa de una determinada región, provincia, país o continente, sobre el cual se indica determinada información cuantitativa sobre una cierta temática, asociada a determinados puntos del mapa. Representa variables cuantitativas a través de símbolos cuyo tamaño es proporcional a la magnitud de la cantidad representada, porque los símbolos más grandes se asocian naturalmente con una mayor cantidad de algo. La forma de los distintos símbolos es siempre la misma, y por simplicidad lo más frecuente es utilizar como símbolo base el círculo, aunque puede utilizarse cualquier otro, e incluso símbolos de tipo lineal (barras). El color de los símbolos no varía.
2.3 Mapa isarítmico o de contorno
Los mapas isarítmicos o de contorno usan isolíneas para representar valores continuos que cambian suavemente como los niveles de precipitación. Estos mapas también pueden mostrar valores tridimensionales, como la elevación, en mapas topográficos. En general, los datos para mapas isarítmicos se recopilan a través de puntos medibles (por ejemplo, estaciones meteorológicas) o se recopilan por área (por ejemplo, toneladas de maíz por acre por condado). La ubicación de cada isolínea representa todos los lugares de la superficie que tienen un valor particular, también siguen la regla básica de que hay lados altos y bajos en relación con la isolínea.
2.4 Mapa de puntos
Los mapas de puntos se emplean especialmente para la representación de variables que representen algún tipo de cantidad, tales como la población, el gasto medio por persona o la producción de un determinado cultivo. Estas cantidades se representan mediante la repetición de puntos como un patrón espacial, en número proporcional a su magnitud. Cada uno de esos puntos representa un valor unitario, y el conjunto de ellos sobre la zona en cuestión suma la cantidad total a representar. Los puntos tienen todos la misma forma y tamaño, a diferencia de lo que vimos en el caso de los símbolos proporcionales.
3. Datos
Utilizaremos datos sobre las Necesidades Básicas Insatisfechas (NBI) del Censo Nacional de Población y Vivienda 2018 que están disponibles en el Geoportal DANE para el departamento de Boyacá.
Anteriormente, descargué el archivo NBI, en formato .xlsx, a mi computadora. Luego, utilicé Excel para eliminar datos de municipios no ubicados dentro del Departamento de Boyacá. También “limpié” los datos, es decir, eliminé varias filas con imágenes institucionales o sin información. Mantuve las columnas que se refieren a todo el municipio (es decir, eliminé las columnas correspondientes a “cabecera” y “zona rural”). Guarde los datos resultantes, correspondientes solo a municipios boyacenses como NB1_Boyacá.xlsx en mi computadora.
4. Preparación
Como primer paso se limpiará la memoria
rm(list=ls())Ahora, se instalarán las librerías que se necesitan.
list.of.packages <- c("tidyverse", "rgeos", "sf", "raster", "cartography", "SpatialPosition")
new.packages <- list.of.packages[!(list.of.packages %in% installed.packages()[,"Package"])]
if(length(new.packages)) install.packages(new.packages)Luego, carguemos las librerías.
library(tidyverse)## -- Attaching packages ------------- tidyverse 1.3.0 --## v ggplot2 3.3.0 v purrr 0.3.3
## v tibble 2.1.3 v dplyr 0.8.5
## v tidyr 1.0.2 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts ---------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(readxl)
library(rgeos)## Loading required package: sp## rgeos version: 0.5-2, (SVN revision 621)
## GEOS runtime version: 3.6.1-CAPI-1.10.1
## Linking to sp version: 1.4-1
## Polygon checking: TRUElibrary(raster)##
## Attaching package: 'raster'## The following object is masked from 'package:dplyr':
##
## select## The following object is masked from 'package:tidyr':
##
## extractlibrary(sf)## Linking to GEOS 3.6.1, GDAL 2.2.3, PROJ 4.9.3library(cartography)
library(SpatialPosition)5. Leer datos del NBI
Leamos el archivo xlsx con Necesidades Básicas Insatisfechas (NBI) del Censo Nacional de Población y Vivienda 2018 para el departamento de Boyacá.
nbi <- read_excel("C:/Users/Brian/Desktop/Daniela/Cartografía temática/NB1_Boyacá.xlsx")Veamos cuáles son los atributos de nbi.
head(nbi)## # A tibble: 6 x 12
## `COD-DEP` DEPTO COD_MUN CODIGO MUNICIPIO NBI MISERIA VIVIENDA SERVICIOS
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 15 BOYA~ 001 15001 TUNJA 3.60 0.294 0.333 0.237
## 2 15 BOYA~ 022 15022 ALMEIDA 7.46 0.759 1.58 0.822
## 3 15 BOYA~ 047 15047 AQUITANIA 12.9 1.67 1.71 3.61
## 4 15 BOYA~ 051 15051 ARCABUCO 8.94 0.477 0.459 0.184
## 5 15 BOYA~ 087 15087 BELÉN 7.33 0.697 0.341 1.02
## 6 15 BOYA~ 090 15090 BERBEO 15.0 2.70 5.76 1.73
## # ... with 3 more variables: HACINAMIENTO <dbl>, INASISTENCIA <dbl>,
## # ECONOMIA <dbl>Veamos cuál es el municipio con el mayor porcentaje de NBI:
nbi %>%
slice(which.max(NBI)) -> max_nbi
max_nbi## # A tibble: 1 x 12
## `COD-DEP` DEPTO COD_MUN CODIGO MUNICIPIO NBI MISERIA VIVIENDA SERVICIOS
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 15 BOYA~ 223 15223 CUBARÁ 60.6 54.0 55.7 53.1
## # ... with 3 more variables: HACINAMIENTO <dbl>, INASISTENCIA <dbl>,
## # ECONOMIA <dbl>Veamos cuál es el municipio con el porcentaje más bajo de NBI:
nbi %>%
slice(which.min(NBI)) -> min_nbi
min_nbi## # A tibble: 1 x 12
## `COD-DEP` DEPTO COD_MUN CODIGO MUNICIPIO NBI MISERIA VIVIENDA SERVICIOS
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 15 BOYA~ 238 15238 DUITAMA 3.36 0.122 0.283 0.126
## # ... with 3 more variables: HACINAMIENTO <dbl>, INASISTENCIA <dbl>,
## # ECONOMIA <dbl>Ordenemos los municipios por NBI en orden descendente:
nbi %>%
arrange(desc(NBI)) -> desc_nbi
desc_nbi## # A tibble: 123 x 12
## `COD-DEP` DEPTO COD_MUN CODIGO MUNICIPIO NBI MISERIA VIVIENDA SERVICIOS
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 15 BOYA~ 223 15223 CUBARÁ 60.6 54.0 55.7 53.1
## 2 15 BOYA~ 533 15533 PAYA 59.4 32.0 37.9 31.8
## 3 15 BOYA~ 183 15183 CHITA 42.2 12.0 10.2 11.2
## 4 15 BOYA~ 580 15580 QUÍPAMA 40.4 9.25 26.5 8.66
## 5 15 BOYA~ 377 15377 LABRANZA~ 36.5 14.2 19.8 13.7
## 6 15 BOYA~ 368 15368 JERICÓ 35.6 11.0 4.35 15.7
## 7 15 BOYA~ 550 15550 PISBA 34.1 10.9 10.7 10.4
## 8 15 BOYA~ 442 15442 MARIPÍ 32.0 7.12 11.2 6.54
## 9 15 BOYA~ 244 15244 EL COCUY 30.1 7.39 8.76 2.13
## 10 15 BOYA~ 332 15332 GÜICÁN 29.3 21.4 21.4 20.7
## # ... with 113 more rows, and 3 more variables: HACINAMIENTO <dbl>,
## # INASISTENCIA <dbl>, ECONOMIA <dbl>En el periodo intercensal 2005-2018, Boyacá redujo las necesidades básicas insatisfechas (NBI) de 30,77% a 10,04%; Cubará es el municipio más pobre del departamento con el 60,59% de NBI y el 53,98% de sus habitantes viven en la miseria. Duitama con el menor NBI, 3,36%.
Boyacá ha dado un salto hacia mejores condiciones materiales para sus habitantes, tal como lo evidencia la gráfica uno. El comportamiento en el periodo intercensal 2005-2018 es el más significativo pues históricamente el NBI de Boyacá fue superior al del país pero en el censo 2018, con el 10,04%, se revirtió la tendencia. En términos absolutos, en 13 años salió de la pobreza, según NBI, el 20,72% de los boyacenses.
Gráfico 1. Fuente Dane.
Municipios más pobres
En el comportamiento municipal, cuando se analizan los resultados territoriales, ellos evidencian las inequidades territoriales entre las provincias. De acuerdo las NBI según el censo 2018, las provincias de la Libertad, con tres municipios dentro de los diez más pobres del departamento, el occidente, con dos, Gutierrez, con dos, Valderrama, con dos, y la provincia especial de Cubará, son las más afectadas (ver gráfico 2).
Gráfico 2. Fuente Dane.
Municipios menos pobres
Los diez municipios menos pobres del departamento geográficamente se ubican dentro del sistema de ciudades del eje regional Tunja, Duitama y Sogamoso, a excepción de Chiquinquirá. (Ver gráfico 3). La lógica del desarrollo bajo la concepción que el futuro de Colombia está en las ciudades conlleva el riesgo de la concentración de oportunidades y las inequidades, al focalizar la pobreza en los centros poblados y la población dispersa.
Gráfico 3. Fuente Dane.
El NBI es uno de los indicadores más ligados a la gestión de las administraciones locales, de allí se desprende parte de las transferencias de recursos financieros a los municipios y es fundamental en la comprensión del bienestar de los pueblos, es importante que los entes territoriales se tomen en serio la tarea de analizar los datos de sus municipios para formular los planes de desarrollo que empiezan a construir con el propósito fundamental de superar las necesidades básicas insatisfechas.
6. Unir datos de NBI a municipios
Leamos los datos usando la librería sf:
munic <- st_read("C:/Users/Brian/Desktop/Daniela/Boyacá/Marco Geoestadístico Boyacá/15_BOYACA/ADMINISTRATIVO/MGN_MPIO_POLITICO.shp")## Reading layer `MGN_MPIO_POLITICO' from data source `C:\Users\Brian\Desktop\Daniela\Boyacá\Marco GeoestadÃstico Boyacá\15_BOYACA\ADMINISTRATIVO\MGN_MPIO_POLITICO.shp' using driver `ESRI Shapefile'
## Simple feature collection with 123 features and 9 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -74.66496 ymin: 4.655196 xmax: -71.94885 ymax: 7.055557
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defsVeamos qué hay dentro del atributo MPIO_CNMBR:
head(munic$MPIO_CNMBR)## [1] TUNJA ALMEIDA AQUITANIA ARCABUCO BELÉN BERBEO
## 123 Levels: ALMEIDA AQUITANIA ARCABUCO BELÉN BERBEO BETÉITIVA BOAVITA ... ZETAQUIRÁPodemos usar la función left_join para unir los municipios y los datos del NBI.
nbi_munic = left_join(munic, nbi, by=c("MPIO_CCDGO"="CODIGO"))## Warning: Column `MPIO_CCDGO`/`CODIGO` joining factor and character vector,
## coercing into character vectornbi_munic %>%
dplyr::select(MUNICIPIO, MPIO_CCDGO, NBI) -> check_nbi_munic
head(check_nbi_munic)## Simple feature collection with 6 features and 3 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -73.51402 ymin: 4.904038 xmax: -72.65243 ymax: 6.098348
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defs
## MUNICIPIO MPIO_CCDGO NBI geometry
## 1 TUNJA 15001 3.596644 POLYGON ((-73.34014 5.58308...
## 2 ALMEIDA 15022 7.458913 POLYGON ((-73.36793 5.01349...
## 3 AQUITANIA 15047 12.864358 POLYGON ((-72.76242 5.63856...
## 4 ARCABUCO 15051 8.940701 POLYGON ((-73.50487 5.84347...
## 5 BELÉN 15087 7.334062 POLYGON ((-72.91692 6.08612...
## 6 BERBEO 15090 15.048544 POLYGON ((-73.0677 5.27048,...Tenga en cuenta que Berbeo tiene NBI = 15.048, un valor que se puede verificar con los datos de NBI ordenados previamente obtenidos. Ahora, reproyectemos los municipios:
nbi_munic_new <- st_transform(nbi_munic, crs = 3116)7. Ejemplos de mapas temáticos
Utilizaremos el paquete de cartography que tiene como objetivo obtener mapas temáticos con la calidad visual de aquellos construidos con un software clásico de mapeo o SIG. Sus funciones son intuitivas para los usuarios y aseguran la compatibilidad con los flujos de trabajo comunes de R.
La biblioteca de cartografía usa objetos sf o sp para producir gráficos base. Como la mayoría de los componentes internos del paquete se basan en funcionalidades sf, el formato preferido para los objetos espaciales es sf.
7.1 Mapa base de OpenStreetMap y símbolos proporcionales
Las funciones getTiles () y tilesLayer () descargan y muestran los mosaicos de OpenStreetMap. Tenga cuidado de citar la fuente de los mosaicos adecuadamente.
La función propSymbolsLayer () muestra símbolos con áreas proporcionales a una variable cuantitativa (por ejemplo, NBI). Hay varios símbolos disponibles (círculos, cuadrados, barras). El argumento pulgadas se usa para personalizar los tamaños de los símbolos.
mun.osm <- getTiles(
x = nbi_munic_new,
type = "OpenStreetMap",
zoom = 8,
cachedir = TRUE,
crop = FALSE
)#establecer márgenes
opar <- par(mar = c(0,0,1.2,0))
# trazar mosaicos osm
tilesLayer(x = mun.osm)
# trazar municipios (solo se trazan las fronteras)
plot(st_geometry(nbi_munic_new), col = NA, border = "grey", add=TRUE)
# trazar NBI
propSymbolsLayer(
x = nbi_munic_new,
var = "NBI",
inches = 0.15,
col = "brown4",
legend.pos = "topright",
legend.title.txt = "Total NBI"
)
# diseño
layoutLayer(title = " Distribución NBI en Boyacá",
sources = "Fuentes: DANE, 2018\n© OpenStreetMap",
author = " Daniela Quiroga ",
frame = TRUE, north = FALSE, tabtitle = TRUE)
# Flecha norte
north(pos = "topleft")
7.2 Mapas de coropletas
En los mapas coropléticos, las áreas se sombrean de acuerdo con la variación de una variable cuantitativa. Se usan para representar proporciones o índices.
choroLayer () muestra mapas de coropletas. Los argumentos nclass, method y breaks permiten personalizar la clasificación de la variable.
getBreaks () permite clasificar fuera de la función misma. Las paletas de colores se definen con col y se puede crear un conjunto de colores con carto.pal (). Consulte también display.carto.all ().
# establecer márgenes
opar <- par(mar = c(0,0,1.2,0))
# establecer el color de fondo de la figura
par(bg="grey90")
# trazar municipios (solo se traza el color de fondo)
plot(st_geometry(nbi_munic_new), col = NA, border = NA, bg = "#aadaff")
# Graficar NBI
choroLayer(
x = nbi_munic_new,
var = "NBI",
method = "geom",
nclass=5,
col = carto.pal(pal1 = "harmo.pal", n1 = 5),
border = "white",
lwd = 0.5,
legend.pos = "right",
legend.title.txt = "NBI",
add = TRUE
)
# diseño
layoutLayer(title = "NBI Distribución en Boyacá",
sources = "Fuente: DANE, 2018",
author = "Daniela Quiroga",
frame = TRUE, north = TRUE, tabtitle = TRUE, col="black")
# Flecha norte
north(pos = "topleft")
7.3 Símbolos proporcionales y mapa de tipología
La función propSymbolsTypoLayer () crea un mapa de símbolos que son proporcionales a los valores de una primera variable y coloreados para reflejar las modalidades de una segunda variable cualitativa. Se utiliza una combinación de argumentos propSymbolsLayer () y typoLayer ().
Primero, necesitamos crear una variable cualitativa. Usemos la función mutate para esta tarea.
nbi_munic_2 <- dplyr::mutate(nbi_munic_new, pobreza = ifelse(MISERIA > 20, "Extrema",
ifelse(HACINAMIENTO > 5, "Alta", "Intermedia")))Tenga en cuenta que el nuevo atributo se llama pobreza. Su valor depende de los valores umbral definidos por el usuario. Asegúrese de verificar la sintaxis del comando ifelse para comprender lo que está sucediendo.
head(nbi_munic_2)## Simple feature collection with 6 features and 21 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: 1062406 ymin: 1034076 xmax: 1157943 ymax: 1166250
## epsg (SRID): 3116
## proj4string: +proj=tmerc +lat_0=4.596200416666666 +lon_0=-74.07750791666666 +k=1 +x_0=1000000 +y_0=1000000 +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +units=m +no_defs
## DPTO_CCDGO MPIO_CCDGO MPIO_CNMBR MPIO_CRSLC MPIO_NAREA
## 1 15 15001 TUNJA 1541 119.68957
## 2 15 15022 ALMEIDA 1908 57.67212
## 3 15 15047 AQUITANIA 1789 942.14660
## 4 15 15051 ARCABUCO 1856 137.89859
## 5 15 15087 BELÉN 1756 163.08822
## 6 15 15090 BERBEO Ordenanza 28 de Abril 9 de 1913 58.01301
## MPIO_NANO DPTO_CNMBR Shape_Leng Shape_Area COD-DEP DEPTO COD_MUN MUNICIPIO
## 1 2017 BOYACÁ 0.5723744 0.009766301 15 BOYACÁ 001 TUNJA
## 2 2017 BOYACÁ 0.3484692 0.004701759 15 BOYACÁ 022 ALMEIDA
## 3 2017 BOYACÁ 1.8003115 0.076843504 15 BOYACÁ 047 AQUITANIA
## 4 2017 BOYACÁ 0.7527090 0.011256738 15 BOYACÁ 051 ARCABUCO
## 5 2017 BOYACÁ 0.6293489 0.013314920 15 BOYACÁ 087 BELÉN
## 6 2017 BOYACÁ 0.4291743 0.004730850 15 BOYACÁ 090 BERBEO
## NBI MISERIA VIVIENDA SERVICIOS HACINAMIENTO INASISTENCIA ECONOMIA
## 1 3.596644 0.2936770 0.3326341 0.2373389 0.9835181 0.6209170 1.769853
## 2 7.458913 0.7585335 1.5802781 0.8217446 1.3274336 1.2010114 3.286979
## 3 12.864358 1.6738817 1.7099567 3.6147186 3.4632035 1.4357864 4.523810
## 4 8.940701 0.4773270 0.4589682 0.1835873 2.2948412 4.3143015 2.166330
## 5 7.334062 0.6965310 0.3414368 1.0243103 2.0349631 0.5736138 4.110899
## 6 15.048544 2.7045770 5.7558946 1.7337032 1.0402219 1.3176144 8.460472
## geometry pobreza
## 1 POLYGON ((1081699 1109184, ... Intermedia
## 2 POLYGON ((1078692 1046187, ... Intermedia
## 3 POLYGON ((1145704 1115432, ... Intermedia
## 4 POLYGON ((1063418 1137961, ... Intermedia
## 5 POLYGON ((1128481 1164899, ... Intermedia
## 6 POLYGON ((1111945 1074654, ... Intermedialibrary(sf)
library(cartography)
# Establecer márgenes
opar <- par(mar = c(0,0,1.2,0))
# Trazar los municipios
plot(st_geometry(nbi_munic_2), col="#f2efe9", border="#b38e43", bg = "#aad3df",
lwd = 0.5)
# Trazar símbolos con coloración coropleta
propSymbolsTypoLayer(
x = nbi_munic_2,
var = "NBI",
inches = 0.3,
symbols = "square",
border = "white",
lwd = .5,
legend.var.pos = "topright",
legend.var.title.txt = "NBI",
var2 = "pobreza",
legend.var2.values.order = c("Extrema", "Alta",
"Intermedia"),
col = carto.pal(pal1 = "multi.pal", n1 = 3),
legend.var2.pos = "top",
legend.var2.title.txt = "Pobreza"
)
# Diseño
layoutLayer(title="NBI Distribución en Boyacá",
author = "Daniela Quiroga",
sources = "Fuente: DANE, 2018",
scale = 1, tabtitle = TRUE, frame = TRUE)
# Flecha norte
north(pos = "topleft")
Observando el mapa podermos ver que los municipios que presentan pobreza extrema son Cubará, Guicán y Paya.
par(opar)7.4 Mapas de etiquetas
Intentemos combinar las funciones choroLayer y labelLayer:
library(sf)
library(cartography)
# Establecer márgenes
opar <- par(mar = c(0,0,1.2,0))
# Establecer color de fondo de figura
par(bg="grey50")
# Trazar municipios
plot(st_geometry(nbi_munic_2), col = "#e4e9de", border = "darkseagreen4",
bg = "grey90", lwd = 0.5)
# Trazar NBI
choroLayer(
x = nbi_munic_new,
var = "NBI",
method = "geom",
nclass=5,
col = carto.pal(pal1 = "harmo.pal", n1 = 5),
border = "white",
lwd = 0.5,
legend.pos = "right",
legend.title.txt = "NBI",
add = TRUE
)
# Trazar etiquetas
labelLayer(
x = nbi_munic_2,
txt = "MUNICIPIO",
col= "white",
cex = 0.4,
font = 4,
halo = TRUE,
bg = "grey25",
r = 0.1,
overlap = FALSE,
show.lines = FALSE
)
# Diseño del mapa
layoutLayer(
title = "Municipios de Boyacá",
sources = "FUENTE: DANE, 2018",
author = "Daniela Quiroga",
frame = TRUE,
north = TRUE,
tabtitle = TRUE,
theme = "taupe.pal"
) 
7.5 Mapas de isopletas
Los mapas de isopletas se basan en el supuesto de que el fenómeno a representar tiene una distribución continua. Estos mapas utilizan un enfoque de modelado de interacción espacial que tiene como objetivo calcular indicadores basados en valores de stock ponderados por distancia. Permite una representación espacial del fenómeno independiente de la heterogeneidad inicial de la división territorial. smoothLayer () depende en gran medida del paquete SpatialPosition. La función utiliza una capa de puntos marcados y un conjunto de parámetros (una función de interacción espacial y sus parámetros) y muestra una capa de mapa isopleta.
Usemos otro conjunto de datos para hacer un mapa isopleta. En este caso, subiré datos Estadísticas Municipales Agropecuarias sobre la producción de papa de 2018 en Boyacá. Ya conocemos este conjunto de datos, ya que se utilizó en un cuaderno anterior para ilustrar las uniones basadas en atributos.
Lea el conjunto de datos:
crops2018 <- read_excel("C:/Users/Brian/Desktop/Daniela/Agricultura/EVA_Boyaca_3.xlsx")head(crops2018) ## # A tibble: 6 x 14
## COD_DEP DEPARTAMENTO COD_MUN MUNICIPIO GRUPO_DE_CULTIVO SUBGRUPO_DE_CUL~
## <dbl> <chr> <dbl> <chr> <chr> <chr>
## 1 15 BOYACA 15879 VIRACACHA HORTALIZAS ACELGA
## 2 15 BOYACA 15759 SOGAMOSO HORTALIZAS ACELGA
## 3 15 BOYACA 15600 RAQUIRA FRUTALES FRUTALES EXOTIC~
## 4 15 BOYACA 15676 SAN MIGU~ FRUTALES FRUTALES EXOTIC~
## 5 15 BOYACA 15774 SUSACON FRUTALES FRUTALES EXOTIC~
## 6 15 BOYACA 15531 PAUNA FRUTALES AGUACATE
## # ... with 8 more variables: CULTIVO <chr>, YEAR <dbl>, Area_Sembrada <dbl>,
## # Area_Cosechada <dbl>, Produccion <dbl>, Rendimiento <dbl>,
## # ESTADO_FISICO_PRODUCCION <chr>, CICLO_DE_CULTIVO <chr>Filtrar las filas que representan solo datos de papa:
crops2018 %>%
filter(CULTIVO == "PAPA") -> papa2018Cree un nuevo atributo que coincida con los códigos de los municipios:
papa2018$TEMP <- as.character(papa2018$COD_MUN)papa2018$MPIO_CCDGO <- as.factor(papa2018$TEMP)Ahora, haz la unión:
papa_munic = left_join(munic, papa2018, by="MPIO_CCDGO")## Warning: Column `MPIO_CCDGO` joining factors with different levels, coercing to
## character vectorVerifique la salida:
head(papa_munic)## Simple feature collection with 6 features and 24 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -73.44727 ymin: 4.904038 xmax: -72.65243 ymax: 5.645146
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defs
## DPTO_CCDGO MPIO_CCDGO MPIO_CNMBR MPIO_CRSLC MPIO_NAREA MPIO_NANO DPTO_CNMBR
## 1 15 15001 TUNJA 1541 119.68957 2017 BOYACÁ
## 2 15 15001 TUNJA 1541 119.68957 2017 BOYACÁ
## 3 15 15022 ALMEIDA 1908 57.67212 2017 BOYACÁ
## 4 15 15022 ALMEIDA 1908 57.67212 2017 BOYACÁ
## 5 15 15047 AQUITANIA 1789 942.14660 2017 BOYACÁ
## 6 15 15047 AQUITANIA 1789 942.14660 2017 BOYACÁ
## Shape_Leng Shape_Area COD_DEP DEPARTAMENTO COD_MUN MUNICIPIO
## 1 0.5723744 0.009766301 15 BOYACA 15001 TUNJA
## 2 0.5723744 0.009766301 15 BOYACA 15001 TUNJA
## 3 0.3484692 0.004701759 15 BOYACA 15022 ALMEIDA
## 4 0.3484692 0.004701759 15 BOYACA 15022 ALMEIDA
## 5 1.8003115 0.076843504 15 BOYACA 15047 AQUITANIA
## 6 1.8003115 0.076843504 15 BOYACA 15047 AQUITANIA
## GRUPO_DE_CULTIVO SUBGRUPO_DE_CULTIVO CULTIVO YEAR Area_Sembrada
## 1 TUBERCULOS Y PLATANOS PAPA PAPA 2018 2600
## 2 TUBERCULOS Y PLATANOS PAPA PAPA 2018 150
## 3 TUBERCULOS Y PLATANOS PAPA PAPA 2018 6
## 4 TUBERCULOS Y PLATANOS PAPA PAPA 2018 4
## 5 TUBERCULOS Y PLATANOS PAPA PAPA 2018 60
## 6 TUBERCULOS Y PLATANOS PAPA PAPA 2018 25
## Area_Cosechada Produccion Rendimiento ESTADO_FISICO_PRODUCCION
## 1 2600 52000 20 TUBERCULO FRESCO
## 2 150 1500 10 TUBERCULO FRESCO
## 3 6 43 715 TUBERCULO FRESCO
## 4 4 17 415 TUBERCULO FRESCO
## 5 60 1530 255 TUBERCULO FRESCO
## 6 25 200 8 TUBERCULO FRESCO
## CICLO_DE_CULTIVO TEMP geometry
## 1 TRANSITORIO 15001 POLYGON ((-73.34014 5.58308...
## 2 TRANSITORIO 15001 POLYGON ((-73.34014 5.58308...
## 3 TRANSITORIO 15022 POLYGON ((-73.36793 5.01349...
## 4 TRANSITORIO 15022 POLYGON ((-73.36793 5.01349...
## 5 TRANSITORIO 15047 POLYGON ((-72.76242 5.63856...
## 6 TRANSITORIO 15047 POLYGON ((-72.76242 5.63856...Ahora, reproyectemos los municipios:
rep_papa <- st_transform(papa_munic, crs = 3116)Tiempo de mapeo:
# set margins
opar <- par(mar = c(0,0,1.2,0))
# plot municipalities (only the backgroung color is plotted)
plot(st_geometry(rep_papa), col = NA, border = "black", bg = "grey75")
# plot isopleth map
smoothLayer(
x = rep_papa,
var = 'Produccion',
typefct = "exponential",
span = 20000,
beta = 2,
nclass = 10,
col = carto.pal(pal1 = 'harmo.pal', n1 = 10),
border = "grey",
lwd = 0.1,
mask = rep_papa,
legend.values.rnd = -3,
legend.title.txt = "Producción",
legend.pos = "right",
add=TRUE
)
# annotation on the map
text(x = 900000, y = 1230000, cex = 0.8, adj = 0, font = 3, labels =
"Función Distancia:\n- type = exponential\n- beta = 2\n- span = 20 km")
# layout
layoutLayer(title = "Distribución de la Producción de PAPA en Boyacá",
sources = "Fentes: DANE y MADR, 2018",
author = "Daniela Quiroga",
frame = FALSE, north = FALSE, tabtitle = TRUE, theme = "green.pal")
# north arrow
north(pos = "topleft")
8. Guardar mapas
Produzcamos otro mapa de producción de papa en 2018. Esta vez usaremos símbolos proporcionales y mapas de coropletas. La salida se guardará como un archivo .png.
Primero, algunas observaciones: - propSymbolsChoroLayer () crea un mapa de símbolos que son proporcionales a los valores de una primera variable y coloreados para reflejar la clasificación de una segunda variable. - se utiliza una combinación de argumentos propSymbolsLayer () y choroLayer (). El siguiente fragmento no muestra un mapa. En cambio, escribe el mapa en el nombre de archivo papa_2018.png debajo del directorio de trabajo.
### open the plot
png("C:/Users/Brian/Desktop/Daniela/Agricultura/papa2018.png", width = 2048, height = 1526)
# set margins
opar <- par(mar = c(0,0,5,5))
# Plot the municipalities
plot(st_geometry(rep_papa), col="darkseagreen3", border="darkseagreen4",
bg = "white", lwd = 0.6)
# Plot symbols with choropleth coloration
propSymbolsChoroLayer(x = rep_papa, var = "Produccion", var2 = "Rendimiento",
col = carto.pal(pal1 = "harmo.pal", n1 = 3,
pal2 = "red.pal", n2 = 3),
inches = 0.8, method = "q6",
border = "grey50", lwd = 1,
legend.title.cex = 1.5,
legend.values.cex = 1.0,
legend.var.pos = "right",
legend.var2.pos = "left",
legend.var2.values.rnd = 2,
legend.var2.title.txt = "Rendimiento\n(en Ton/Ha)",
legend.var.title.txt = "Producción de Papa en 2018",
legend.var.style = "e")
# plot labels
labelLayer(
x = rep_papa,
txt = "MPIO_CNMBR",
col= "white",
cex = 1.0,
font = 4,
halo = FALSE,
bg = "white",
r = 0.1,
overlap = FALSE,
show.lines = FALSE
)
# layout
layoutLayer(title="Producción y Rendimiento de Papa en Boyacá, 2018",
author = "Daniela Quiroga",
sources = "Fuentes: MADR & DANE, 2018",
scale = 50, tabtitle = FALSE, frame = TRUE)
# north arrow
north(pos = "topleft")
#
title(main="Producción y Rendimiento de Papa en Boyacá, 2018", cex.main=3,
sub= "Fuentes: MADR & DANE, 2018", cex.sub=2)
#
graticule = TRUE
#
par(opar)
### close the plot
dev.off()## png
## 2Una vez que guardamos un mapa, podemos agregarlo a nuestro informe R Markdown usando usando la sintaxis de Markdown de la siguiente manera:
Producción de Papa en Boyacá, 2018
sessionInfo()## R version 3.6.3 (2020-02-29)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 8.1 x64 (build 9600)
##
## Matrix products: default
##
## locale:
## [1] LC_COLLATE=Spanish_Colombia.1252 LC_CTYPE=Spanish_Colombia.1252
## [3] LC_MONETARY=Spanish_Colombia.1252 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Colombia.1252
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] SpatialPosition_1.2.0 cartography_2.4.1 sf_0.8-1
## [4] raster_3.0-12 rgeos_0.5-2 sp_1.4-1
## [7] readxl_1.3.1 forcats_0.5.0 stringr_1.4.0
## [10] dplyr_0.8.5 purrr_0.3.3 readr_1.3.1
## [13] tidyr_1.0.2 tibble_2.1.3 ggplot2_3.3.0
## [16] tidyverse_1.3.0
##
## loaded via a namespace (and not attached):
## [1] Rcpp_1.0.3 lubridate_1.7.4 lattice_0.20-38 png_0.1-7
## [5] class_7.3-15 utf8_1.1.4 assertthat_0.2.1 digest_0.6.25
## [9] R6_2.4.1 cellranger_1.1.0 backports_1.1.5 reprex_0.3.0
## [13] evaluate_0.14 e1071_1.7-3 httr_1.4.1 pillar_1.4.3
## [17] rlang_0.4.5 rstudioapi_0.11 rmarkdown_2.1 rgdal_1.4-8
## [21] munsell_0.5.0 broom_0.5.5 compiler_3.6.3 modelr_0.1.6
## [25] xfun_0.12 pkgconfig_2.0.3 htmltools_0.4.0 tidyselect_1.0.0
## [29] codetools_0.2-16 fansi_0.4.1 crayon_1.3.4 dbplyr_1.4.2
## [33] withr_2.1.2 grid_3.6.3 nlme_3.1-144 jsonlite_1.6.1
## [37] gtable_0.3.0 lifecycle_0.2.0 DBI_1.1.0 magrittr_1.5
## [41] units_0.6-5 scales_1.1.0 KernSmooth_2.23-16 cli_2.0.2
## [45] stringi_1.4.6 fs_1.3.2 xml2_1.2.5 generics_0.0.2
## [49] vctrs_0.2.4 tools_3.6.3 glue_1.3.2 hms_0.5.3
## [53] slippymath_0.3.1 yaml_2.2.1 colorspace_1.4-1 classInt_0.4-2
## [57] rvest_0.3.5 knitr_1.28 haven_2.2.0