Trabajo Práctico de Introducción a la Ciencia de Datos y Ciencia de Datos Geográfica
Patricia VD
Agosto de 2020
Introducción
El presente trabajo pretende aplicar los conocimientos adquiridos en el curso de FLACSO “Big data e inteligencia territorial”, dictados por lxs profesores Mg. Victoria O’Donnell y Mg. Antonio Vazquez Brust, secundados por las docentes Dra. Marina Ridao, Mg. Carla Degliantoni y Daiana Serpa.
Está dividido en 3 partes:
- Análisis de Ciudades Intermedias y su cercania a las Rutas Nacionales.
- Análisis de censos vehiculares en la Av. Gral. Paz con un contador no invasivo (marzo 2020).
- Análisis de centros de salud y espacios verdes en Río Cuarto, Córdoba.
1. Análisis de Ciudades Intermedias y su cercania a las Rutas Nacionales.
Tiene como incentivo de servir de apoyo para mi tesis de Maestría (Planificación y Gestión de la Ingeniería Urbana. CPIC. UBA. UTN), la cual tiene como tema de análisis principal las Rutas Nacionales y el crecimiento de las ciudades intermedias en cercania a éstas vías de comunicación.
Llamo a las librerias.
library(tidyverse)
library(sf)
library(ggsn)Llamo a los shapes de caminos viales, división política, ciudades de Argentina. Los archivos utilizados fueron bajados del INDEC y de la web de Planificación Territorial https://sig.planificacion.gob.ar/
divpol <- st_read("C:/Users/patog/Documents/DatayTerritorio/pp_files/provincia/provincia.shp") %>% st_transform(4326) #División Política de Argentina## Reading layer `provincia' from data source `C:\Users\patog\Documents\DatayTerritorio\pp_files\provincia\provincia.shp' using driver `ESRI Shapefile'
## Simple feature collection with 24 features and 9 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -74 ymin: -90 xmax: -25 ymax: -21.78086
## geographic CRS: WGS 84ptos <- st_read("C:/Users/patog/Documents/DatayTerritorio/pp_files/Codgeo_Pais_x_loc_con_datos/pxlocdatos.shp") %>% st_transform(4326) #Localidades de Argentina## Reading layer `pxlocdatos' from data source `C:\Users\patog\Documents\DatayTerritorio\pp_files\Codgeo_Pais_x_loc_con_datos\pxlocdatos.shp' using driver `ESRI Shapefile'
## Simple feature collection with 3526 features and 20 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: 2999270 ymin: 3924134 xmax: 4739924 ymax: 7581830
## projected CRS: POSGAR_94_Argentina_3rutas <- st_read("C:/Users/patog/Documents/DatayTerritorio/pp_files/redvialnacional_createroutes_layer_srs/redvialnacional_createroutes.shp") %>% st_transform(4326) #Sistema Vial Argentino## Reading layer `redvialnacional_createroutes' from data source `C:\Users\patog\Documents\DatayTerritorio\pp_files\redvialnacional_createroutes_layer_srs\redvialnacional_createroutes.shp' using driver `ESRI Shapefile'
## Simple feature collection with 132 features and 3 fields
## geometry type: MULTILINESTRING
## dimension: XY
## bbox: xmin: -72.2984 ymin: -54.97561 xmax: -53.64422 ymax: -22.04761
## geographic CRS: WGS 84Veo qué tiene cada capa
head(rutas)## Simple feature collection with 6 features and 3 fields
## geometry type: MULTILINESTRING
## dimension: XY
## bbox: xmin: -70.07621 ymin: -54.84765 xmax: -57.95692 ymax: -22.0948
## geographic CRS: WGS 84
## Numero_de_ Nombre_de_ Etiqueta geometry
## 1 0001 1 RN 1 MULTILINESTRING ((-58.36297...
## 2 0003 3 RN 3 MULTILINESTRING ((-58.5601 ...
## 3 0005 5 RN 5 MULTILINESTRING ((-59.06296...
## 4 0007 7 RN 7 MULTILINESTRING ((-58.53019...
## 5 0008 8 RN 8 MULTILINESTRING ((-58.68184...
## 6 0009 9 RN 9 MULTILINESTRING ((-58.49319...head(divpol)## Simple feature collection with 6 features and 9 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -71.96569 ymin: -41.10059 xmax: -58.33515 ymax: -29.50042
## geographic CRS: WGS 84
## gid entidad objeto fna gna
## 1 1 0 Provincia Ciudad Autónoma de Buenos Aires Ciudad Autónoma
## 2 2 0 Provincia Provincia del Neuquén Provincia
## 3 3 0 Provincia Provincia de La Pampa Provincia
## 4 4 0 Provincia Provincia de Mendoza Provincia
## 5 5 0 Provincia Provincia de San Luis Provincia
## 6 6 0 Provincia Provincia de Córdoba Provincia
## nam in1 fdc sag
## 1 Ciudad Autónoma de Buenos Aires 02 Geografía IGN
## 2 Neuquén 58 Geografía IGN
## 3 La Pampa 42 Geografía IGN
## 4 Mendoza 50 Geografía IGN
## 5 San Luis 74 Geografía IGN
## 6 Córdoba 14 Geografía IGN
## geometry
## 1 MULTIPOLYGON (((-58.34189 -...
## 2 MULTIPOLYGON (((-70.39345 -...
## 3 MULTIPOLYGON (((-64.76547 -...
## 4 MULTIPOLYGON (((-69.1257 -3...
## 5 MULTIPOLYGON (((-67.05547 -...
## 6 MULTIPOLYGON (((-63.87035 -...head(ptos)## Simple feature collection with 6 features and 20 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -63.2566 ymin: -37.45444 xmax: -58.38873 ymax: -34.61093
## geographic CRS: WGS 84
## link codpcia coddpto codloc provincia departamen
## 1 02000010 02 000 010 Ciudad Autónoma de Buenos Aires <NA>
## 2 06007010 06 007 010 Buenos Aires Adolfo Alsina
## 3 06007020 06 007 020 Buenos Aires Adolfo Alsina
## 4 06007030 06 007 030 Buenos Aires Adolfo Alsina
## 5 06007040 06 007 040 Buenos Aires Adolfo Alsina
## 6 06007050 06 007 050 Buenos Aires Adolfo Alsina
## localidad func_loc tiploc tip2loc latitud longitud
## 1 Ciudad Autónoma de Buenos Aires 1 2 3 34 36 35 58 23 19
## 2 Carhué 3 1 0 37 10 35 62 45 29
## 3 Colonia San Miguel Arcángel 0 1 0 37 26 51 63 07 03
## 4 Delfín Huergo 0 1 0 37 18 58 63 13 60
## 5 Espartillar 0 2 0 37 21 19 62 26 20
## 6 Esteban Agustín Gascón 0 1 0 37 27 12 63 15 24
## xgk ygk varones mujeres personas hogares viv_part_h viv_part
## 1 5647794 6169474 1329681 1560470 2890151 1150134 1082998 1423973
## 2 5255055 5882321 4615 5045 9660 3443 3330 4018
## 3 5224093 5851227 280 283 563 215 213 277
## 4 5213363 5865458 6 8 14 6 6 14
## 5 5283916 5863244 13 8 21 12 11 17
## 6 5211812 5850164 55 49 104 43 43 61
## geometry
## 1 POINT (-58.38873 -34.61093)
## 2 POINT (-62.7579 -37.17748)
## 3 POINT (-63.11761 -37.44862)
## 4 POINT (-63.23317 -37.31733)
## 5 POINT (-62.43876 -37.35633)
## 6 POINT (-63.2566 -37.45444)view(divpol)
view(ptos)Veo las primeras imagenes según shape
ggplot() + geom_sf(data = rutas)
ggplot() + geom_sf(data = divpol)
ggplot() + geom_sf(data = ptos) 
Según CGLU (Ciudades y Gobiernos Locales Unidos), las ciudades intermedias son aquellas que tienen entre 50.000 y un millón de habitantes. Entoces, filtro las ciudades intermedias.
cinter <- ptos %>% filter(!(personas < 50000 | personas > 1000000))Obtengo imagen final
ggplot() +
geom_sf(data = divpol) +
geom_sf(data = rutas, color = "blue", #dibuja las RN en azul
show.legend = F) +
geom_sf(data = cinter, colour = "red", fill = NA) + #dibuja las ciudades intermedias en pto rojos
labs(title = "Rutas Nacionales y Ciudades Intermendias Argentinas",
caption= "Elaboración Propia. Fuente: INDEC. IGN") +
coord_sf(xlim = c(-75, -53),ylim = c(-56, -21.5), expand = F) #Como no hay Rutas Nacionales en la Antartida aplico un límite en las coordenadas para que no se vaya de escala.
unique(cinter$localidad) %>% sort #veo la lista de las ciudades intermedias## [1] "Almirante Brown"
## [2] "Avellaneda"
## [3] "Azul"
## [4] "Bahía Blanca"
## [5] "Banda del Río Salí"
## [6] "Barranqueras"
## [7] "Berazategui"
## [8] "Berisso"
## [9] "Caleta Olivia"
## [10] "Campana"
## [11] "Chimbas"
## [12] "Chivilcoy"
## [13] "Cipolletti"
## [14] "Clorinda"
## [15] "Comodoro Rivadavia"
## [16] "Concepción del Uruguay"
## [17] "Concordia"
## [18] "Corrientes"
## [19] "Eldorado"
## [20] "Ensenada"
## [21] "Escobar"
## [22] "Esteban Echeverría"
## [23] "Ezeiza"
## [24] "Florencio Varela"
## [25] "Formosa"
## [26] "General Pico"
## [27] "General Roca"
## [28] "General Rodríguez"
## [29] "General San Martín"
## [30] "Godoy Cruz"
## [31] "Goya"
## [32] "Gualeguaychú"
## [33] "Guaymallén"
## [34] "Hurlingham"
## [35] "Ituzaingó"
## [36] "José C. Paz"
## [37] "Junín"
## [38] "La Banda"
## [39] "La Plata"
## [40] "La Rioja"
## [41] "Lanús"
## [42] "Las Heras"
## [43] "Lomas de Zamora"
## [44] "Luján"
## [45] "Luján de Cuyo"
## [46] "Maipú"
## [47] "Malvinas Argentinas"
## [48] "Mar del Plata"
## [49] "Marcos Paz"
## [50] "Mendoza"
## [51] "Mercedes"
## [52] "Merlo"
## [53] "Moreno"
## [54] "Morón"
## [55] "Necochea - Quequén"
## [56] "Neuquén"
## [57] "Oberá"
## [58] "Olavarría"
## [59] "Palpalá"
## [60] "Paraná"
## [61] "Pergamino"
## [62] "Pilar"
## [63] "Posadas"
## [64] "Presidencia Roque Sáenz Peña"
## [65] "Presidente Perón"
## [66] "Puerto Madryn"
## [67] "Punta Alta"
## [68] "Quilmes"
## [69] "Rafaela"
## [70] "Rawson"
## [71] "Reconquista"
## [72] "Resistencia"
## [73] "Río Cuarto"
## [74] "Río Gallegos"
## [75] "Río Grande"
## [76] "Rivadavia"
## [77] "Rosario"
## [78] "Salta"
## [79] "San Carlos de Bariloche"
## [80] "San Fernando"
## [81] "San Fernando del Valle de Catamarca"
## [82] "San Francisco"
## [83] "San Isidro"
## [84] "San Juan"
## [85] "San Luis"
## [86] "San Martín"
## [87] "San Miguel"
## [88] "San Miguel de Tucumán"
## [89] "San Nicolás de los Arroyos"
## [90] "San Pedro"
## [91] "San Rafael"
## [92] "San Ramón de la Nueva Orán"
## [93] "San Salvador de Jujuy"
## [94] "San Vicente"
## [95] "Santa Fe"
## [96] "Santa Rosa"
## [97] "Santiago del Estero"
## [98] "Santo Tomé"
## [99] "Tandil"
## [100] "Tartagal"
## [101] "Tigre"
## [102] "Trelew"
## [103] "Tres de Febrero"
## [104] "Ushuaia"
## [105] "Venado Tuerto"
## [106] "Vicente López"
## [107] "Viedma"
## [108] "Villa Carlos Paz"
## [109] "Villa Gobernador Gálvez"
## [110] "Villa María"
## [111] "Villa Mariano Moreno - El Colmenar"
## [112] "Villa Mercedes"
## [113] "Yerba Buena - Marcos Paz"
## [114] "Zárate"2. Análisis de censos vehiculares en la Av. Gral. Paz con un contador no invasivo (marzo de 2020).
Gracias a mi trabajo tengo acceso a sets de datos de uno de los contadores no invasivo de tránsito (radares que cuenta vehículos) que está emplazdo en la Ruta Nacional N A001, a.k.a Av. Gral. Paz km 11 (por Villa Devoto aproximadamente). Los datos son de marzo de 2020. Deseo averiguar si hubo alguna clase de variación de velocidades puntuales entre el período de la 1er semana de marzo y la primer semana de la ASPO (Aislamiento, Social, Preventivo y Obligatorio).
Llamo las librerias que voy a utilizar
library(dplyr)
library(tidyverse)
library(readxl)
library(writexl)
library(lubridate)Investigo el set de datos
vdmarz20 <- read_excel(path = "C:/Users/patog/Documents/DatayTerritorio/pp_files/Devomarz02020.xlsx")
head(vdmarz20) ## # A tibble: 6 x 12
## Lane volumen Occupacy Speed P85 L1 L2 L3 Headway Gap
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 LANE~ 448 4.4 68.6 76 406 28 14 31.3 30
## 2 LANE~ 1237 11.5 71.1 76.9 1095 99 43 11.3 10
## 3 LANE~ 1432 12.5 74.5 80.1 1267 126 39 9.8 8.5
## 4 LANE~ 797 6.2 79.2 84.9 697 90 10 17.6 16.5
## 5 LANE~ 632 4.8 85.1 95.2 568 55 9 22.2 21.1
## 6 LANE~ 1000 8.4 78.6 84.1 841 122 37 14 12.8
## # ... with 2 more variables: Date <dttm>, Time <dttm>str(vdmarz20) #veo qué contiene## tibble [6,265 x 12] (S3: tbl_df/tbl/data.frame)
## $ Lane : chr [1:6265] "LANE_1" "LANE_2" "LANE_3" "LANE_4" ...
## $ volumen : num [1:6265] 448 1237 1432 797 632 ...
## $ Occupacy: num [1:6265] 4.4 11.5 12.5 6.2 4.8 8.4 7.7 4.9 NA 3.6 ...
## $ Speed : num [1:6265] 68.6 71.1 74.5 79.2 85.1 78.6 76 71.9 NA 70.2 ...
## $ P85 : num [1:6265] 76 76.9 80.1 84.9 95.2 84.1 81.7 79.3 NA 76.9 ...
## $ L1 : num [1:6265] 406 1095 1267 697 568 ...
## $ L2 : num [1:6265] 28 99 126 90 55 122 145 73 NA 25 ...
## $ L3 : num [1:6265] 14 43 39 10 9 37 39 19 NA 11 ...
## $ Headway : num [1:6265] 31.3 11.3 9.8 17.6 22.2 14 16.1 26.1 NA 37.5 ...
## $ Gap : num [1:6265] 30 10 8.5 16.5 21.1 12.8 14.9 24.8 NA 36.1 ...
## $ Date : POSIXct[1:6265], format: "2020-03-01" "2020-03-01" ...
## $ Time : POSIXct[1:6265], format: "1899-12-31 01:00:00" "1899-12-31 01:00:00" ...vdmarz20 <- na.omit(vdmarz20) #borro las líneas con data nulaLa columna de Time tiene fecha que no van, solo quiero la hora
vdmarz20 <- mutate(vdmarz20, hora = hour(Time), dia = day(Date))
vdmarz20 <- select(vdmarz20, -Time)Dibujo el primer gráfico.
ggplot(data = vdmarz20) +
geom_point(mapping = aes(x = hora, y = Speed, color = Lane))
Los “Lane’s” son los carriles de la calzada principal de la Av. Gral. Paz. Desde “LANE_1 a LANE_4” son los carriles sentido Ascendente (hacia el Richuelo), los restantes 4 son sentido Descendente, hacia el Río de La Plata.
Vemos que tiene todo el set de marzo 2020
ggplot(data = vdmarz20) +
geom_point(mapping = aes(x = hora, y = Speed, color = Lane))+
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad Puntal en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: marzo de 2020",
x = "Hora",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
Se observa que los carriles más próximos al eje de la calzada, superficie por donde circulan los vehículos, son los de mayor velocidad (LANE_4 y LANE_5), y los de menor velocidad son los más cercanos a las baquinas (LANE_1y LANE_8). Esto es así porque en los carriles de la derecha (por sentido), es donde circulan mayor cantidad de camiones. En los carriles más rápidos la velocidad es de 90km/h, mientras que en los carriles lentos es de 75km/h, aproximadamente.
La ASPO fue implementada a partir del viernes de 20 de marzo de 2020 (Decreto DNU 297/2020). Lo cual disminuyó la criculación, vehicular y de personas, a partir de ésa fecha. Entonces, se compara la primer semana de marzo con la primer semana de la APSO (última semana de marzo).
Selecciono las semanas de marzo
Aweekmar <- vdmarz20 %>%
filter(dia %in% c(1,2,3,4,5, 6,7)) #1er semana de marzo
Bweekmar <- vdmarz20 %>%
filter(dia %in% c(22,23,24,25, 26,27, 28)) #1er semana de la aplicación de la ASPOVeo por datos seleccionados por semana
ggplot(data = Aweekmar) +
geom_point(mapping = aes(x = hora, y = Speed, color = Lane)) +
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad Puntal en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: 1er semana de marzo de 2020",
x = "Hora",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
ggplot(data = Bweekmar) +
geom_point(mapping = aes(x = hora, y = Speed, color = Lane))+
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad Puntal en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: Última semana de marzo de 2020",
x = "Hora",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
Análisis con ajuste de tendencia
ggplot(data = Aweekmar) +
geom_point(mapping = aes(x = hora, y = Speed, color = Lane)) +
geom_smooth(mapping = aes(x = hora, y = Speed)) +
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad Puntal en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: 1er semana de marzo de 2020",
x = "Hora",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
ggplot(data = Bweekmar) +
geom_point(mapping = aes(x = hora, y = Speed, color = Lane))+
geom_smooth(mapping = aes(x = hora, y = Speed)) +
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad Puntal en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: Última semana de marzo de 2020",
x = "Hora",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
Se puede observar que la tendencia en la 2da imagen se ajusta más a los puntos. Esto se supone ques es principalmente porque tiene menos disperción, menos vehículos circulando, menos probabilidad de congestión. Comparando ambos grafico se observa que si bien existe un comportamiento más uniforme en el flujo de tránsito, no se evidencia una reducción sustancial en las velocidades de cada carril. Algo a hacer notar es que la velocidad de circulación permitida en ese sector de la Av. Gral. Paz es de 80 km/h, que es superada en los carriles rápidos.
Velocidad vs Volumen
En la ingeniería de tránsito 1 existen figuras clásicas de los parámetros del flujo vehicular como la velocidad, gap, headway, el volumen, etc. Una de ella es la relación parabólica entre la velocidad y el flujo (volumen). A continuación se muestra en forma ilustrativa, las relaciones que existe entre los parámetros del flujo vehicular.
Como me dedico a ésa rama de la ingeniería me causa curiosidad de como serían estás funciones en las 2 semanas que analizo.
ggplot(data = Aweekmar) +
geom_point(mapping = aes(x = volumen, y = Speed, color = Lane)) +
# geom_smooth(mapping = aes(x = volumen, y = Speed, color = Lane)) +
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad vs Volumen en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: 1er semana de marzo de 2020",
x = "Volumen Horario [veh/h]",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
ggplot(data = Bweekmar) +
geom_point(mapping = aes(x = volumen, y = Speed, color = Lane)) +
#geom_smooth(mapping = aes(x = volumen, y = Speed, color = Lane)) +
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad vs Volumen en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: Última semana de marzo de 2020",
x = "Volumen Horario [veh/h]",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
En el 2do cuadro se observa que no hubo mucha disperción en los carriles ascendente - hacia el Riachuelo - (LANE_1 al LANE_4), mientras que en los carriles descendente sí. Estos volúmenes coinciden con las velocidades de congestión.
Dibujo los mismos parámetros pero con todos los datos de marzo.
ggplot(data = vdmarz20) +
geom_point(mapping = aes(x = volumen, y = Speed, color = Lane))+
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Velocidad vs Volumen en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: marzo de 2020",
x = "volumen [veh/h]",
y = "Velocidad [km/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV") +
theme_test()
Volumen horario
Dibujo gráficos de los volúmenes horarios por carril.
ggplot(data = Aweekmar) +
geom_point(mapping = aes(x = hora, y = volumen, color = Lane))+
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Volumen Horario por Carril en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: 1er semana marzo de 2020",
x = "Hora",
y = "volumen [veh/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
ggplot(data = Bweekmar) +
geom_point(mapping = aes(x = hora, y = volumen, color = Lane))+
facet_wrap(~ Lane, nrow = 2) +
labs(title = "Volumen Horario por Carril en Av. Gral. Paz km 11",
subtitle = "Fecha de análisis: Última semana marzo de 2020",
x = "Hora",
y = "volumen [veh/h]",
color = "carriles",
caption = "Elaboración propia. Fuente: DNV")
Finalmente, en el último gráfico se ve la tan mencionada disminución de tránsito, y de movilidad, por la APSO. En la 1er semana de marzo se tiene hasta 2000veh/hora, mientras que en la útilma semana, se llegó a tener un flujo horario de 600 veh/h.
3. Análisis de centros de salud y espacios verdes en Río Cuarto, Córdoba.
En el podcast de Ciudad Hub (https://www.ciudadhub.com/), más especificamente en la entrevista de Elvis García, Doctor en Salud Pública. Harvard University. Declara, el médico, que el urbanista tiene el deber de conocer impacto del su diseño sobre la salud de los que la habitan. Que existe correlación entre las áreas verdes y la distancia en que se encuentran, el ruido y enfermedades del corazón. Para el ciudado no es lo mismo tener, o no, en su entorno cercano, espacios iluminados (con luz artificial), centros de salud, veterinarias. etc. García, dice que no existe conexión entre estás estadisticas y el diseñador/urbanista, entre la Salud y la planificación/diseño urbano, qué dbería existir una lucha por la sostenibilidad e infraestrucutas sostenibles.
Esto me motivó a hacer una análisis de las variables que nombra Elvis Garcái (lugares verdes, centros de salud y ilumnarias) para una de las ciudades intermedias del punto 1 del presente trabajo. La ciudad es Río Cuarto, Córdoba. Para lo cual me guíe en los procedimientos del “Atlas de Espacios Verdes en Ciudades Argentinas” de la Fundación Fundación Bunge y Born, dónde uno de los realizadores es profesores del curso el Mg. Antonio Vazquez Brust.
Listado de las librerias a utilizar
library(osmdata)
library(leaflet)
library(tidyverse)
library(sf)
library(ggspatial)
library(ggmap)
library(nngeo)Obtengo los datos de Río Cuarto de Open Street Map (OSM)
bbox <- getbb('Río Cuarto, Municipio de Río Cuarto, Pedanía Río Cuarto, Departamento Río Cuarto, Córdoba, Argentina')
bbox## min max
## x -64.41692 -64.30979
## y -33.16673 -33.07760bbox_poly <- getbb('Río Cuarto, Municipio de Río Cuarto, Pedanía Río Cuarto, Departamento Río Cuarto, Córdoba, Argentina', format_out = "sf_polygon")
bbox_poly## Simple feature collection with 1 feature and 0 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -64.41692 ymin: -33.16673 xmax: -64.30979 ymax: -33.0776
## geographic CRS: WGS 84
## geometry
## 1 POLYGON ((-64.41692 -33.112...plot(bbox_poly)
Acá veo a Río Cuarto en el mapita de OpenStreetMap. Permite ver si el lugar que seleccionamos es el que queria
leaflet(bbox_poly) %>%
addTiles() %>%
addPolygons()Empiezo a seleccionar los parámetros a analizar.
Selecciono los espacios verdes y de paseo
verde <- opq(bbox) %>%
add_osm_feature(key = "leisure", value = c("garden", "nature_reserve", "park", "playground")) #son las variables que utiliza OSM para los lugares donde realizar paseos en áreas verdes
verde## $bbox
## [1] "-33.1667311,-64.4169203,-33.0776007,-64.309787"
##
## $prefix
## [1] "[out:xml][timeout:25];\n(\n"
##
## $suffix
## [1] ");\n(._;>;);\nout body;"
##
## $features
## [1] " [\"leisure\"~\"^(garden|nature_reserve|park|playground)$\"]"
##
## attr(,"class")
## [1] "list" "overpass_query"verde <- verde %>%
osmdata_sf()
# head(verde) #veo que es lo bajé
callesverdes <- opq(bbox) %>%
add_osm_feature(key = "highway", value = c("living_street", "pedestrian", "footway", "path")) %>% #son las variables que utiliza OSM para los lugares donde realizar paseos en vías de comunicación para peatones.
osmdata_sf()
callesverdes <- callesverdes$osm_lines
head(callesverdes [1:10,]) #veo el contenido## Simple feature collection with 6 features and 19 fields
## geometry type: LINESTRING
## dimension: XY
## bbox: xmin: -64.38356 ymin: -33.1362 xmax: -64.33908 ymax: -33.12595
## geographic CRS: WGS 84
## osm_id name access barrier bicycle bridge construction
## 109840672 109840672 <NA> <NA> <NA> designated <NA> <NA>
## 109863786 109863786 <NA> <NA> <NA> <NA> <NA> <NA>
## 109863788 109863788 <NA> <NA> <NA> <NA> <NA> <NA>
## 138103051 138103051 <NA> <NA> <NA> <NA> yes <NA>
## 215634957 215634957 <NA> <NA> <NA> <NA> <NA> <NA>
## 215634958 215634958 <NA> <NA> <NA> <NA> <NA> <NA>
## fence_type foot height highway layer leisure natural
## 109840672 <NA> designated <NA> path <NA> <NA> <NA>
## 109863786 <NA> <NA> <NA> living_street <NA> <NA> <NA>
## 109863788 <NA> <NA> <NA> living_street <NA> <NA> <NA>
## 138103051 <NA> <NA> <NA> footway 1 <NA> <NA>
## 215634957 <NA> <NA> <NA> living_street <NA> <NA> <NA>
## 215634958 <NA> <NA> <NA> living_street <NA> <NA> <NA>
## oneway passing_places segregated smoothness surface
## 109840672 <NA> <NA> no <NA> asphalt
## 109863786 <NA> <NA> <NA> <NA> <NA>
## 109863788 <NA> <NA> <NA> <NA> <NA>
## 138103051 <NA> <NA> <NA> <NA> <NA>
## 215634957 <NA> <NA> <NA> <NA> <NA>
## 215634958 <NA> <NA> <NA> <NA> <NA>
## geometry
## 109840672 LINESTRING (-64.38356 -33.1...
## 109863786 LINESTRING (-64.36867 -33.1...
## 109863788 LINESTRING (-64.36982 -33.1...
## 138103051 LINESTRING (-64.33956 -33.1...
## 215634957 LINESTRING (-64.3693 -33.13...
## 215634958 LINESTRING (-64.36845 -33.1...ggplot() +
geom_sf(data = callesverdes, aes(color = highway)) +
geom_sf(data = bbox_poly, fill = NA) +
labs(title = "Espacios verdes de esparcimiento. Río Cuarto",
caption = "Elaboración propia. Fuente: OSM.") +
theme_void() #tiene un living street fuera del área
Selecciono las vías, las calles
calles <- opq(bbox) %>%
add_osm_feature(key = "highway")
calles <- calles %>%
osmdata_sf()
# head(calles)
calles <- calles$osm_lines
ggplot() +
geom_sf(data = calles) # tienen lineas fuera del area que voy a evaluar. 
calles <- st_intersection(calles, bbox_poly) #Utilizo como "molde" el bbox_poly de Río Cuarto e intersepto con las vías
callesverdes <- st_intersection(callesverdes, bbox_poly) #ídem con las calles verdes
ggplot() +
geom_sf(data = bbox_poly, fill = NA) +
geom_sf(data = calles,
color = "gray", alpha = .5) +
geom_sf(data = callesverdes,
aes(color=highway), size = 1.05) +
labs(title = "Espacios verdes de esparcimiento. Río Cuarto",
caption = "Elaboración propia. Fuente: OSM.") +
theme_minimal() 
Selecciono los centros de Salud
salud <- opq(bbox) %>%
add_osm_feature(key = "amenity", value = c("clinic", "hospital", "veterinary")) %>%
osmdata_sf()
salud
salud <- salud$osm_point
head(salud [1:10,])## Simple feature collection with 6 features and 20 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -64.35506 ymin: -33.15437 xmax: -64.3517 ymax: -33.12861
## geographic CRS: WGS 84
## osm_id name addr.city addr.full addr.housenumber
## 1256488624 1256488624 <NA> <NA> <NA> <NA>
## 1256488631 1256488631 <NA> <NA> <NA> <NA>
## 1256488632 1256488632 <NA> <NA> <NA> <NA>
## 1256488633 1256488633 <NA> <NA> <NA> <NA>
## 1877489528 1877489528 Bio-Imagenes Del Sud <NA> <NA> <NA>
## 1877489703 1877489703 HospitalNeonata <NA> <NA> <NA>
## addr.postcode addr.street alt_name amenity fixme healthcare
## 1256488624 <NA> <NA> <NA> <NA> <NA> <NA>
## 1256488631 <NA> <NA> <NA> <NA> <NA> <NA>
## 1256488632 <NA> <NA> <NA> <NA> <NA> <NA>
## 1256488633 <NA> <NA> <NA> <NA> <NA> <NA>
## 1877489528 <NA> <NA> <NA> clinic <NA> clinic
## 1877489703 <NA> <NA> <NA> hospital <NA> hospital
## healthcare.speciality opening_hours.covid19 operator operator.type
## 1256488624 <NA> <NA> <NA> <NA>
## 1256488631 <NA> <NA> <NA> <NA>
## 1256488632 <NA> <NA> <NA> <NA>
## 1256488633 <NA> <NA> <NA> <NA>
## 1877489528 <NA> <NA> <NA> <NA>
## 1877489703 <NA> <NA> <NA> <NA>
## phone public_transport ref.sisa_codigo ref.sisa_tipologia website
## 1256488624 <NA> <NA> <NA> <NA> <NA>
## 1256488631 <NA> <NA> <NA> <NA> <NA>
## 1256488632 <NA> <NA> <NA> <NA> <NA>
## 1256488633 <NA> <NA> <NA> <NA> <NA>
## 1877489528 <NA> <NA> <NA> <NA> <NA>
## 1877489703 <NA> <NA> <NA> <NA> <NA>
## geometry
## 1256488624 POINT (-64.35243 -33.15437)
## 1256488631 POINT (-64.35412 -33.15138)
## 1256488632 POINT (-64.35506 -33.15437)
## 1256488633 POINT (-64.3517 -33.15189)
## 1877489528 POINT (-64.35212 -33.12861)
## 1877489703 POINT (-64.35178 -33.13013)ggplot() +
geom_sf(data = calles,
color = "gray", alpha = 1.5) +
geom_sf(data = salud, aes(color = amenity)) +
geom_sf(data = bbox_poly, fill = NA) +
theme_void() +
labs(title = "Centros de Salud. Río Cuarto",
caption = "Elaboración propia. Fuente: OSM.") +
theme_minimal() 
Selecciono las luminarias
luces <- opq(bbox) %>%
add_osm_feature(key = "highway", value = "street_lamp") %>%
osmdata_sf()
luces
luces <- luces$osm_point
head(luces) # solo tiene un elemento no lo puedo usar. Igualmente lo voy a dibujar a modo de ejercicio## Simple feature collection with 1 feature and 2 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -64.35243 ymin: -33.11713 xmax: -64.35243 ymax: -33.11713
## geographic CRS: WGS 84
## osm_id highway geometry
## 6680613473 6680613473 street_lamp POINT (-64.35243 -33.11713)ggplot() +
geom_sf(data = calles,
color = "gray", alpha = 1.5) +
geom_sf(data = luces, aes(color = highway)) +
geom_sf(data = bbox_poly, fill = NA) +
theme_void() +
labs(title = "Luminarias. Río Cuarto",
caption = "Elaboración propia. Fuente: OSM.") +
theme_minimal() 
Buffer para Espacios verdes de esparcimiento y Centros de Salud
callesverdes <- callesverdes %>%
st_transform(crs = "+proj=laea +lat_0=-40 +lon_0=-60 +x_0=0 +y_0=0 +ellps=WGS84 +units=m +no_defs")
# Generamos un _buffer_ de 10 metros, y unimos
verdesunificadas <- st_buffer(callesverdes, 10) %>%
st_union() %>%
st_cast("POLYGON") %>%
st_sf() %>%
mutate(id = factor(row_number()))
ggplot() +
geom_sf(data = bbox_poly, fill = NA) +
geom_sf(data = verdesunificadas, fill = "lawngreen", color = NA) +
geom_sf(data = calles,
color = "gray", alpha = .5) +
labs(title = "Espacios verdes de esparcimiento. Río Cuarto",
caption = "Elaboración propia. Fuente: OSM.") +
theme_minimal() #acá muestro todos los "verdes" unidos en un solo evento
salud <- salud %>%
st_transform(crs = "+proj=laea +lat_0=-40 +lon_0=-60 +x_0=0 +y_0=0 +ellps=WGS84 +units=m +no_defs")
# Generamos un _buffer_ de 10 metros, y unimos
saludunidas <- st_buffer(salud, 10) %>%
st_union() %>%
st_cast("POLYGON") %>%
st_sf() %>%
mutate(id = factor(row_number()))
ggplot() +
geom_sf(data = bbox_poly, fill = NA) +
geom_sf(data = calles,
color = "gray65", alpha = .5) +
geom_sf(data = saludunidas, color = "red3", shape = 3, stroke = 2, size =1.5) +
labs(title = "Centros de Salud. Río Cuarto",
caption = "Elaboración propia. Fuente: OSM.") +
theme_minimal() 
Radios Censales del INDEC
Bajamos datos del INDEC para luego estimar la distancia de cada radio censal de Río Cuarto hasta un espacio verdes.
cities <- st_read("C:/Users/patog/Documents/DatayTerritorio/pp_files/radios_eph_json/radios_eph.json") %>%
st_transform(4326)## Reading layer `radios_eph' from data source `C:\Users\patog\Documents\DatayTerritorio\pp_files\radios_eph_json\radios_eph.json' using driver `GeoJSON'
## replacing null geometries with empty geometries
## Simple feature collection with 26815 features and 14 fields (with 3 geometries empty)
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: 3219646 ymin: 3918704 xmax: 4511982 ymax: 7342026
## projected CRS: POSGAR 94 / Argentina 3# Vemos los nombres de los aglomerados según el INDEC
unique(cities$eph_aglome) %>% sort## [1] "Bahia Blanca - Cerri" "CABA"
## [3] "Comodoro Rivadavia - Rada Tilly" "Concordia"
## [5] "Corrientes" "Formosa"
## [7] "Gran Catamarca" "Gran Córdoba"
## [9] "Gran La Plata" "Gran Mendoza"
## [11] "Gran Paraná" "Gran Resistencia"
## [13] "Gran Rosario" "Gran San Juan"
## [15] "Gran Santa Fe" "Gran Tucumán - Tafi Viejo"
## [17] "Jujuy - Palpalá" "La Rioja"
## [19] "Mar del Plata - Batán" "Neuquén - Plottier"
## [21] "Partidos del GBA" "Posadas"
## [23] "Rawson - Trelew" "Rio Cuarto"
## [25] "Rio Gallegos" "Salta"
## [27] "San Luis - El Chorrillo" "San Nicolas - Villa Constitiución"
## [29] "San Nicolas - Villa Constitución" "Santa Rosa - Toay"
## [31] "Santiago del Estero - La Banda" "Ushuaia - Rio Grande"
## [33] "Viedma - Carmen de Patagones"RC <- cities %>%
filter(eph_aglome == "Rio Cuarto")
ggplot(RC) +
annotation_map_tile(zoom = 13) +
geom_sf(aes(fill = tiporad), alpha = .1, color = NA) +
theme_minimal()
bbox_RC <- RC %>%
st_coordinates() %>%
as.tibble() %>%
{make_bbox(.$X, .$Y)}
RCmap <- get_stamenmap(bbox_RC, zoom = 12)
plot(st_transform(RC, crs = 3857)["tiporad"], bgMap = RCmap) #cambiamos de referencia
ggmap(RCmap) +
coord_sf(crs = st_crs(3857)) + # force the ggplot2 map to be in 3857
geom_sf(data = RC, aes(color = tiporad), fill = NA, alpha = .1, inherit.aes = FALSE)
Estimo distancia desde cada radio censal Urbano hasta el espacio de espacios verdes de esparcimiento más cercano
RC <- RC %>%
filter(tiporad == "U") #Retenemos sólo radios urbanos
AreasVerdes <- verdesunificadas %>%
st_transform(crs = "+proj=laea +lat_0=-40 +lon_0=-60 +x_0=0 +y_0=0 +ellps=WGS84 +units=m +no_defs") #Pasamos todo a proyección equiareal para cálculo preciso, y medimos distancias
RC <- st_transform(RC, crs = "+proj=laea +lat_0=-40 +lon_0=-60 +x_0=0 +y_0=0 +ellps=WGS84 +units=m +no_defs")
centroRC_radios <- st_centroid(RC) #calculo el centroide de Río Cuarto
distasAV <- st_nn(centroRC_radios, AreasVerdes , returnDist = TRUE) #acá calculala dista entre el centroide de RC y cada radio censal##
|
| | 0%
|
| | 1%
|
|= | 1%
|
|= | 2%
|
|== | 2%
|
|== | 3%
|
|=== | 4%
|
|=== | 5%
|
|==== | 5%
|
|==== | 6%
|
|===== | 7%
|
|===== | 8%
|
|====== | 8%
|
|====== | 9%
|
|======= | 10%
|
|======== | 11%
|
|======== | 12%
|
|========= | 12%
|
|========= | 13%
|
|========== | 14%
|
|========== | 15%
|
|=========== | 15%
|
|=========== | 16%
|
|============ | 17%
|
|============= | 18%
|
|============= | 19%
|
|============== | 20%
|
|============== | 21%
|
|=============== | 21%
|
|=============== | 22%
|
|================ | 22%
|
|================ | 23%
|
|================= | 24%
|
|================== | 25%
|
|================== | 26%
|
|=================== | 27%
|
|=================== | 28%
|
|==================== | 28%
|
|==================== | 29%
|
|===================== | 29%
|
|===================== | 30%
|
|====================== | 31%
|
|====================== | 32%
|
|======================= | 33%
|
|======================== | 34%
|
|======================== | 35%
|
|========================= | 35%
|
|========================= | 36%
|
|========================== | 37%
|
|========================== | 38%
|
|=========================== | 38%
|
|=========================== | 39%
|
|============================ | 40%
|
|============================= | 41%
|
|============================= | 42%
|
|============================== | 42%
|
|============================== | 43%
|
|=============================== | 44%
|
|=============================== | 45%
|
|================================ | 45%
|
|================================ | 46%
|
|================================= | 47%
|
|================================= | 48%
|
|================================== | 48%
|
|================================== | 49%
|
|=================================== | 49%
|
|=================================== | 50%
|
|=================================== | 51%
|
|==================================== | 51%
|
|==================================== | 52%
|
|===================================== | 52%
|
|===================================== | 53%
|
|====================================== | 54%
|
|====================================== | 55%
|
|======================================= | 55%
|
|======================================= | 56%
|
|======================================== | 57%
|
|======================================== | 58%
|
|========================================= | 58%
|
|========================================= | 59%
|
|========================================== | 60%
|
|=========================================== | 61%
|
|=========================================== | 62%
|
|============================================ | 62%
|
|============================================ | 63%
|
|============================================= | 64%
|
|============================================= | 65%
|
|============================================== | 65%
|
|============================================== | 66%
|
|=============================================== | 67%
|
|================================================ | 68%
|
|================================================ | 69%
|
|================================================= | 70%
|
|================================================= | 71%
|
|================================================== | 71%
|
|================================================== | 72%
|
|=================================================== | 72%
|
|=================================================== | 73%
|
|==================================================== | 74%
|
|==================================================== | 75%
|
|===================================================== | 76%
|
|====================================================== | 77%
|
|====================================================== | 78%
|
|======================================================= | 78%
|
|======================================================= | 79%
|
|======================================================== | 79%
|
|======================================================== | 80%
|
|========================================================= | 81%
|
|========================================================= | 82%
|
|========================================================== | 83%
|
|=========================================================== | 84%
|
|=========================================================== | 85%
|
|============================================================ | 85%
|
|============================================================ | 86%
|
|============================================================= | 87%
|
|============================================================= | 88%
|
|============================================================== | 88%
|
|============================================================== | 89%
|
|=============================================================== | 90%
|
|================================================================ | 91%
|
|================================================================ | 92%
|
|================================================================= | 92%
|
|================================================================= | 93%
|
|================================================================== | 94%
|
|================================================================== | 95%
|
|=================================================================== | 95%
|
|=================================================================== | 96%
|
|==================================================================== | 97%
|
|==================================================================== | 98%
|
|===================================================================== | 98%
|
|===================================================================== | 99%
|
|======================================================================| 99%
|
|======================================================================| 100%saveRDS(distasAV, file = "distanciasAV.RDS")
RC <- RC %>%
mutate(distanciaAV = distasAV$dist) #agrego columna con la data de las distacias
# head(RC)
ggplot()+
geom_sf(data = RC, aes(color = as.numeric(distanciaAV))) +
geom_sf(data = AreasVerdes, fill = "forestgreen", color = NA) +
scale_color_viridis_c(option = "plasma", direction = -1)+
labs(title="Distancia a los espacios verdes de esparcimiento. Río Cuarto",
color="Distancia [m]",
x="",
y="",
caption = "Elaboración propia. Fuente: OSM.") +
theme_minimal() 
RC_AV <- RC %>%
group_by(radio2010) %>%
summarise(distanciaAV=sum(as.numeric(distanciaAV)))
RCpromAV <- RC %>%
group_by(radio2010) %>%
summarise(distanciaAV= mean(as.numeric(distanciaAV))) %>%
rename("PromedistaAV" = "distanciaAV") #promedio de las distanciasGrafico las distancias para tener una idea de la diferencia entre las distancias a los lugares verdes y su promedio por radio censal.
ggplot() +
geom_point(data = RCpromAV, mapping = aes(x = radio2010, y = PromedistaAV), color = "blue") + #color azul para el promedio por radio censal
geom_point(data = RC_AV, mapping = aes(x = radio2010, y = distanciaAV), color = "green") + #color verde para la distancia
labs(title = "Distancia a los espacios verdes de esparcimiento según Radio Censal",
x = "Radios Censales",
y = "Ditancia [m]",
caption = "Elaboración propia. Fuente: OSM. INDEC") # +
#theme_minimal() Hago lo mismo para los censtros de Salud
SaludUni <- saludunidas %>%
st_transform(crs = "+proj=laea +lat_0=-40 +lon_0=-60 +x_0=0 +y_0=0 +ellps=WGS84 +units=m +no_defs")
DistasSalud <- st_nn(centroRC_radios, SaludUni , returnDist = TRUE) ##
|
| | 0%
|
| | 1%
|
|= | 1%
|
|= | 2%
|
|== | 2%
|
|== | 3%
|
|=== | 4%
|
|=== | 5%
|
|==== | 5%
|
|==== | 6%
|
|===== | 7%
|
|===== | 8%
|
|====== | 8%
|
|====== | 9%
|
|======= | 10%
|
|======== | 11%
|
|======== | 12%
|
|========= | 12%
|
|========= | 13%
|
|========== | 14%
|
|========== | 15%
|
|=========== | 15%
|
|=========== | 16%
|
|============ | 17%
|
|============= | 18%
|
|============= | 19%
|
|============== | 20%
|
|============== | 21%
|
|=============== | 21%
|
|=============== | 22%
|
|================ | 22%
|
|================ | 23%
|
|================= | 24%
|
|================== | 25%
|
|================== | 26%
|
|=================== | 27%
|
|=================== | 28%
|
|==================== | 28%
|
|==================== | 29%
|
|===================== | 29%
|
|===================== | 30%
|
|====================== | 31%
|
|====================== | 32%
|
|======================= | 33%
|
|======================== | 34%
|
|======================== | 35%
|
|========================= | 35%
|
|========================= | 36%
|
|========================== | 37%
|
|========================== | 38%
|
|=========================== | 38%
|
|=========================== | 39%
|
|============================ | 40%
|
|============================= | 41%
|
|============================= | 42%
|
|============================== | 42%
|
|============================== | 43%
|
|=============================== | 44%
|
|=============================== | 45%
|
|================================ | 45%
|
|================================ | 46%
|
|================================= | 47%
|
|================================= | 48%
|
|================================== | 48%
|
|================================== | 49%
|
|=================================== | 49%
|
|=================================== | 50%
|
|=================================== | 51%
|
|==================================== | 51%
|
|==================================== | 52%
|
|===================================== | 52%
|
|===================================== | 53%
|
|====================================== | 54%
|
|====================================== | 55%
|
|======================================= | 55%
|
|======================================= | 56%
|
|======================================== | 57%
|
|======================================== | 58%
|
|========================================= | 58%
|
|========================================= | 59%
|
|========================================== | 60%
|
|=========================================== | 61%
|
|=========================================== | 62%
|
|============================================ | 62%
|
|============================================ | 63%
|
|============================================= | 64%
|
|============================================= | 65%
|
|============================================== | 65%
|
|============================================== | 66%
|
|=============================================== | 67%
|
|================================================ | 68%
|
|================================================ | 69%
|
|================================================= | 70%
|
|================================================= | 71%
|
|================================================== | 71%
|
|================================================== | 72%
|
|=================================================== | 72%
|
|=================================================== | 73%
|
|==================================================== | 74%
|
|==================================================== | 75%
|
|===================================================== | 76%
|
|====================================================== | 77%
|
|====================================================== | 78%
|
|======================================================= | 78%
|
|======================================================= | 79%
|
|======================================================== | 79%
|
|======================================================== | 80%
|
|========================================================= | 81%
|
|========================================================= | 82%
|
|========================================================== | 83%
|
|=========================================================== | 84%
|
|=========================================================== | 85%
|
|============================================================ | 85%
|
|============================================================ | 86%
|
|============================================================= | 87%
|
|============================================================= | 88%
|
|============================================================== | 88%
|
|============================================================== | 89%
|
|=============================================================== | 90%
|
|================================================================ | 91%
|
|================================================================ | 92%
|
|================================================================= | 92%
|
|================================================================= | 93%
|
|================================================================== | 94%
|
|================================================================== | 95%
|
|=================================================================== | 95%
|
|=================================================================== | 96%
|
|==================================================================== | 97%
|
|==================================================================== | 98%
|
|===================================================================== | 98%
|
|===================================================================== | 99%
|
|======================================================================| 99%
|
|======================================================================| 100%saveRDS(DistasSalud, file = "DistasSalud.RDS")
RCsALUD <- RC %>%
mutate(SaludDista = DistasSalud$dist)
head(RCsALUD)## Simple feature collection with 6 features and 16 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -403067 ymin: 755525.8 xmax: -400264.7 ymax: 758022.4
## CRS: +proj=laea +lat_0=-40 +lon_0=-60 +x_0=0 +y_0=0 +ellps=WGS84 +units=m +no_defs
## id eph_codagl eph_aglome codaglo aglomerado codprov nomprov coddepto
## 1 14885 36 Rio Cuarto 0020 Gran Río Cuarto 14 Córdoba 098
## 2 14886 36 Rio Cuarto 0020 Gran Río Cuarto 14 Córdoba 098
## 3 14887 36 Rio Cuarto 0020 Gran Río Cuarto 14 Córdoba 098
## 4 14888 36 Rio Cuarto 0020 Gran Río Cuarto 14 Córdoba 098
## 5 14889 36 Rio Cuarto 0020 Gran Río Cuarto 14 Córdoba 098
## 6 14890 36 Rio Cuarto 0020 Gran Río Cuarto 14 Córdoba 098
## localidade frac2010 radio2010 tiporad entidades the_geom
## 1 (14098170) Las Higueras 05 10 U <NA>
## 2 (14098170) Las Higueras 05 11 U <NA>
## 3 (14098170) Las Higueras 05 12 U <NA>
## 4 (14098170) Las Higueras 05 13 U <NA>
## 5 (14098170) Las Higueras 05 14 U <NA>
## 6 (14098170) Las Higueras 05 15 U <NA>
## geometry distanciaAV SaludDista
## 1 MULTIPOLYGON (((-400343.1 7... 1997.604 2131.222
## 2 MULTIPOLYGON (((-400343.1 7... 3074.188 3406.516
## 3 MULTIPOLYGON (((-400321.8 7... 2824.762 3450.286
## 4 MULTIPOLYGON (((-400788.2 7... 2521.977 3115.091
## 5 MULTIPOLYGON (((-401243.5 7... 1982.241 2558.904
## 6 MULTIPOLYGON (((-400928.8 7... 2127.207 2878.461ggplot() +
geom_sf(data = RCsALUD, aes(color=as.numeric(SaludDista))) +
geom_sf(data = SaludUni, color = "red3", shape = 3, stroke = 2, size =1.5) +
scale_color_viridis_c(option = "plasma", direction = -1)+
labs(title="Distancia a centros de Salud",
color="Distancia [m]",
x="",
y="",
caption = "Elaboración propia. Fuente: OSM. INDEC") +
theme_minimal() 
RC_ <- RCsALUD %>%
group_by(radio2010) %>%
summarise(SaludDista = sum(as.numeric(SaludDista)))
RC_pro <- RCsALUD %>%
group_by(radio2010) %>%
summarise(SaludDista = mean(as.numeric(SaludDista))) %>%
rename("PromedSD" = "SaludDista")Dibujo para tener una idea de la diferencia entre las distancias a Centros de Salud y su promedio por radio censal
ggplot() +
geom_point(data = RC_, mapping = aes(x = radio2010, y = SaludDista), color = "orange") + #color anaranjado para la distancia por Raadio Censal
geom_point(data = RC_pro, mapping = aes(x = radio2010, y = PromedSD), color = "red") + #color rojo para el promedio
labs(title = "Distancia a Centros de Salud",
x = "Radios Censales",
y = "Ditancia [m]",
caption = "Elaboración propia. Fuente: OSM. INDEC") 
Ahora dibujo todo junto para tener una idea de qué Radio Censal tiene más accesible un espacio verde de esparcimiento o un centro de salud.
ggplot() +
geom_point(data = RC_, mapping = aes(x = radio2010, y = SaludDista), color = "orange") +
geom_point(data = RC_pro, mapping = aes(x = radio2010, y = PromedSD), color = "red") +
geom_point(data = RCpromAV, mapping = aes(x = radio2010, y = PromedistaAV), color = "blue") +
geom_point(data = RC_AV, mapping = aes(x = radio2010, y = distanciaAV), color = "green") +
labs(title = "Distancia a Centros de Salud y Espacios Verdes de Esparcimiento",
x = "Radios Censales",
y = "Ditancia [m]",
color = "SaludDista",
caption = "Elaboración propia. Fuente: OSM. INDEC") 
Se observa que los radios censales con sevicios de Salud y áreas verdes más próximos son los que van desde el 18 hasta el 22. Entonces, dibujo los Radios Censales destacando los mayores e iguales a 18, junto con los espacios verdes de esparcimiento y centros de salud para tener una idea de dónde se encuentran emplazados en la ciudad de Río Cuarto.
ggplot() +
geom_sf(data = calles,
color = "gray40", alpha = .2) +
geom_sf(data = filter(calles, str_detect(name, "Avenida")),
color = "salmon", size = 1.25) + #pinto a las avenidas de color Salmón
geom_sf(data = filter(calles, str_detect(name, "Ruta Nacional")),
color = "dodgerblue1", size = 1.25) + #pinto a las Rutas Nacionales de color azul
geom_sf(data = RC, fill = NA) +
geom_sf(data = RC %>% filter(radio2010 >= 18), aes(color = radio2010), size = 1.05, alpha = 0.2) +
geom_sf(data = SaludUni, color = "red3", shape = 3, stroke = 2, size = 1.5) +
geom_sf(data = AreasVerdes, fill = "green", color = NA) +
labs(title = "Distribucion de espacios verdes y centros de salud",
subtitle = "Río Cuarto, Córdoba",
x="",
y="",
caption = "Elaboración Propia. Fuente: OSM. INDEC") +
theme_minimal() 
Haciendo una busqueda por la Web se llega a la conclusión que esos Radios Censales seleccionados coinciden con el centro urbano de la localidad. Lo cual no resulta tan raro conociendo como se “hace” una ciudad.
Hago un zoom sobre estos Radios Censales.
ggplot() +
geom_sf(data = calles,
color = "gray40", alpha = .2) +
geom_sf(data = filter(calles, str_detect(name, "Avenida")),
color = "salmon", size = 1.25) + #pinto a las avenidas de color Salmón
geom_sf(data = filter(calles, str_detect(name, "Ruta Nacional")),
color = "dodgerblue1", size = 1.25) + #pinto a las Rutas Nacionales de color azul
geom_sf(data = RC, fill = NA) +
geom_sf(data = RC %>% filter(radio2010 >= 18), aes(color = radio2010), size = 1.15, alpha = 0.2) +
geom_sf(data = SaludUni, color = "red3", shape = 3, stroke = 2, size = 1.5) +
geom_sf(data = AreasVerdes, fill = "green", color = NA) +
coord_sf(xlim = c(-64.38, -64.31), ylim = c(-33.15, -33.11), expand = F) +
labs(title = "Distribución de espacios verdes de esparcimiento y centros de salud en el centro",
subtitle = "Río Cuarto, Córdoba",
caption = "Elaboración Propia. Fuente: OSM. INDEC") +
theme_void() 
Queda para un futuro seguir investigando, y analizando, la variable de la edad de la población que vive en cercanias a los parámetros analizados, por franja de edad, y demás.
La Ingeniería de tránsito es una rama de la ingeniería del transporte y a su vez rama de la ingeniería civil que trata sobre la planificación, diseño y operación de tránsito en las caminos, sus redes, infraestructuras.↩