Informe técnico 1 - Sramirezgo
Samuel Alejandro Ramírez González
07/10/2020
Informe técnico n.1
Introducción
El objetivo del presente informe es mostrar un análisis concreto de la situación del agro en el departamento del Meta en Colombia, a través de un conjunto de datos obtenidos en una BDD del gobierno nacional, que brinda los registros referentes a la producción agrícola nacional. Por lo tanto, inicialmente es necesario activar las librerías neceserarias para realizar el análisis respectivo de los datos, así:
rm(list=ls())knitr::opts_chunk$set(echo = TRUE)library(here)## here() starts at C:/Users/EQUIPO/Documents/2020-2/Geomatica/INFORME_1library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.2 v purrr 0.3.4
## v tibble 3.0.3 v dplyr 1.0.2
## v tidyr 1.1.2 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(rgeos)## Loading required package: sp## rgeos version: 0.5-5, (SVN revision 640)
## GEOS runtime version: 3.8.0-CAPI-1.13.1
## Linking to sp version: 1.4-2
## Polygon checking: TRUElibrary(maptools)## Checking rgeos availability: 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 3.8.0, GDAL 3.0.4, PROJ 6.3.1library(viridis)## Loading required package: viridisLitelibrary(rnaturalearth)library(GSODR)library(ggrepel)library(cowplot)Explorando datos estadísticos de la agricultura en el Meta
A través de la página Evaluacones agropecuarias municipales se realizó la descarga de un archivo .CSV con los datos estadísticos de la producción agrícola del departamaneto del Meta en Colombia. A continuacón se procede a cargar dichos datos en el objeto “datos”.
datos <- read_csv("C:/Users/EQUIPO/Documents/2020-2/Geomatica/INFORME_1/eva_meta.CSV")## Parsed with column specification:
## cols(
## COD_DEP = col_double(),
## DEPARTAMENTO = col_character(),
## C0D_MUN = col_double(),
## MUNICIPIO = col_character(),
## GRUPO = col_character(),
## SUBGRUPO = col_character(),
## CULTIVO = col_character(),
## `DESAGREGACION _REGIONAL _Y _O_ SISTEMA _PRODUCTIVO` = col_character(),
## YEAR = col_double(),
## PERIODO = col_character(),
## AREA_SEMBRADA = col_double(),
## AREA_COSECHADA = col_double(),
## PRODUCCION = col_double(),
## RENDIMIENTO = col_double(),
## ESTADO_FISICO_PRODUCCION = col_character(),
## NOMBRE_CIENTIFICO = col_character(),
## CICLO_DE_CULTIVO = col_character()
## )Ahora, revisando los atributos de “datos”:
head(datos)tail(datos)Según lo anterior, se observa que, en sintesís, la tabla muestra los datos de area sembrada, area cosechada, producción y rendimiento de diferentes cultivos en diferentes diferentes municipios a lo largo de el período 2007-2018; de igual forma, se observa que las columnas SUBGRUPO,CULTIVO y DESAGREGACION REGIONAL Y O SISTEMA PRODUCTIVO, albergan la misma información, esto es, del cultivo, así como el atributo GRUPO, almacena la información del tipo de cultivo. Por otra parte, aunque la tabla no presente unidades directamente, al revisar el archivo .CSV de origen se observa que la unidad de superficie es Hectáreas (ha), la unidad de producción es Tonelas (t) y la unidad de rendimiento es Tonelas por hectárea (ton/ha). A modo de continuación, mediante el paquete dplyr, se procede a realizar una observación general del objeto “datos”, para ello, inicialmente se obtiene un resumen del area sembrada por grupo en el Meta durante el período 2007-2018.
datos %>%
group_by(GRUPO) %>%
summarise(sem_prom = mean(AREA_SEMBRADA, na.rm = TRUE)) -> sem_resumen## `summarise()` ungrouping output (override with `.groups` argument)sem_resumense observa que las oleoaginosasy los tubérculos y el plátano presentan el mayor area sembrada en el departmanento del Meta, esto se comprueba en la siguiente gráfica:
sem_resumen$GRU <- abbreviate(sem_resumen$GRUPO, 3)
g <- ggplot(aes(x=GRU, y=sem_prom/100), data = sem_resumen) + labs(y='Area sembrada (ha/100)', x="Grupo") + geom_bar(stat='identity')
g + ggtitle("Area sembrada por grupo de cultivo en el Meta en el periodo 2007-2018") + labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)") + theme_bw()
Con la información de la anterior gráfica se confirma que las oleoaginosas fue el grupo de cultivo más sembrado en el período 2007-2018
Para obtener los valores del area cosechada por grupo de cultivo en el departamento del Meta, se realiza el siguiente procedimiento:
datos %>%
group_by(GRUPO) %>%
summarise(cos_prom = mean(AREA_COSECHADA, na.rm = TRUE)) -> cos_resumen## `summarise()` ungrouping output (override with `.groups` argument)cos_resumenDel mismo modo como se observó en la gráfica de area sembrada, las oleoaginosas presentan el mayor número de area cosechada, a continuación se presenta una gráfica que permite ver mejor esto:
cos_resumen$GRU <- abbreviate(cos_resumen$GRUPO, 3)
g <- ggplot(aes(x=GRU, y=cos_prom/1000), data = cos_resumen) + labs(y='Area cosechada (ha/1000)', x="Grupo") + geom_bar(stat='identity')
g + ggtitle("Area cosechada por grupo de cultivo en el Meta en el periodo 2007-2018") + labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)") + theme_bw()
siguiendo el procedimineto realizado anteriormente, en este punto se representaran los datos de la producción en toneladas de cada grupo de cultivo en el meta de 2007 a 2018
datos %>%
group_by(GRUPO) %>%
summarise(prod_prom = mean(PRODUCCION, na.rm = TRUE)) -> prod_resumen## `summarise()` ungrouping output (override with `.groups` argument)prod_resumenLa tabla anterior permite ver, que como era de esperarse, las oleaginosas presentaron el mayor número de toneladas producidas en el Meta durante el período 2007-2018, a continuación la gráfica de la misma tabla:
prod_resumen$GRU <- abbreviate(prod_resumen$GRUPO, 3)
g <- ggplot(aes(x=GRU, y=prod_prom/1000), data = prod_resumen) + geom_bar(stat='identity') + labs(y='Producción/1000', x="Año")
g + ggtitle("Producción por grupo de cultivo en el Meta en el periodo 2007-2018") + labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)") + theme_bw()
Por último, a continuación se presenta una tabla que reúne los datos de rendimiento en ton/ha por cada grupo de cultivo en el departamento del Meta
datos %>%
group_by(GRUPO) %>%
summarise(rend_prom = mean(RENDIMIENTO, na.rm = TRUE)) -> rend_resumen## `summarise()` ungrouping output (override with `.groups` argument)rend_resumenLa información de la anterior tabla muestra que los frutales y los tubérculos y plátanos fueron el grupo de cultivo con mayor producción por hectárea en el departamento del Meta.
Graficando la tabla anterior:
rend_resumen$GRU <- abbreviate(rend_resumen$GRUPO, 3)
g <- ggplot(aes(x=GRU, y=rend_prom), data = rend_resumen) + geom_point(size=3) + labs(y='Rendimiento promedio', x="Año")
g + ggtitle("Rendimiento por grupo de cultivo en el Meta en el periodo 2007-2018") + labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)") + theme_bw()## Warning: Removed 1 rows containing missing values (geom_point).
Se observa que los tres grupos de cultivos con mayor índice de rendimiento en el Meta fueron los frutales, los tubérculos y plátano y las hortalizas.
Ahora se observará cuales son los municipios con mayor rendimiento por cada grupo de cultivos en el 2018:
datos %>%
filter(YEAR==2018) %>%
group_by(GRUPO, MUNICIPIO) %>%
summarize(max_rend = max(RENDIMIENTO, na.rm = TRUE)) %>%
slice(which.max(max_rend)) -> rend_max_18## Warning in max(RENDIMIENTO, na.rm = TRUE): ningun argumento finito para max;
## retornando -Inf
## Warning in max(RENDIMIENTO, na.rm = TRUE): ningun argumento finito para max;
## retornando -Inf## `summarise()` regrouping output by 'GRUPO' (override with `.groups` argument)rend_max_18Teniendo en cuenta la anterior tabla, se destaca que el municipio de Acacías presenta una fortaleza destacable en rendimiento en 3 grupos de cultivo, esto es: OLEAGINOSAS , PLANTAS AROMÁTICAS CONDIMENTARIAS Y MEDICINALES y TUBÉRCULOS Y PLATANOS. Realizando el mismo procedimeinto de la tabla antertior, a continuación se procede a observar cuáles son los municipios con la mayor área cosechada en hectáreas por cada grupo de culivos en 2018.
datos %>%
filter(YEAR==2018) %>%
group_by(GRUPO, MUNICIPIO) %>%
summarize(max_area_cosecha = max(AREA_COSECHADA, na.rm = TRUE)) %>%
slice(which.max(max_area_cosecha)) -> area_cosecha_max## `summarise()` regrouping output by 'GRUPO' (override with `.groups` argument)area_cosecha_maxDe la anterior tabla es importante destacar que Puerto Gaitán en el año 2018 fue un municipio con una gran fortaleza en el campo de los cereales, las oleoaginosas y la leguminosas, de igual forma se observa que los valores de superficie cosechada asociados a Puerto Lopez, son los mayores, lo que es muy esperado, entendiendo que el departamento del Meta destaca por su fortaleza en el cultivo de palma de aceite, así como arroz, maíz y soya, entre otros. Para ahondar un poco más con la información del anterior punto, a continuación se presenta otra tabla, esta vez con los datos del municipio con la mayor producción en toneladas, específicamente por cada culivo en 2018.
datos %>%
filter(YEAR==2018) %>%
group_by(CULTIVO, MUNICIPIO) %>%
summarize(max_prod_mun = max(PRODUCCION, na.rm = TRUE)) %>%
slice(which.max(max_prod_mun)) -> mun_prod_max## `summarise()` regrouping output by 'CULTIVO' (override with `.groups` argument)mun_prod_max Se nota que los cultivos con mayor producción en el año 2018 fueron la caña azucarera, el maíz, la palma de aceite, el plátano, el arroz, la soya y la yuca, cada uno con producciones aproximadamente por encima de 50000 toneladas.
Ahora bien, habiendo hecho un resumen general del estado de la agricultura en el meta, basado en el rendimiento, la produccíon y el area tanto sembrada como cosechada; a continuación se procede a identificar cuál es el cultivo con mayor extensión en todo el Meta a lo largo del período 2007-2018, para ello, se realiza el siguiente procedimiento:
datos %>%
group_by(CULTIVO) %>%
summarize(max_co_mun = max(AREA_SEMBRADA, na.rm = TRUE)) -> mun_co_max## `summarise()` ungrouping output (override with `.groups` argument)mun_co_max Según la tabla, el producto más sembrado en el período 2007-2018 es la palma de aceite. A continuación se presenta una tabla con los datos de siembra anual de palma de aceite en el Meta:
datos %>%
filter(CULTIVO=="PALMA DE ACEITE") %>%
group_by(CULTIVO, YEAR) %>%
summarize(max_sem_palm = max(AREA_SEMBRADA, na.rm = TRUE)) -> siem_max## `summarise()` regrouping output by 'CULTIVO' (override with `.groups` argument)siem_maxSe observa que los datos llevan una tendencia de aumento, esto se comprueba en la gráfica siguiente:
g <- ggplot(aes(x=YEAR, y=max_sem_palm/1000), data = siem_max) + geom_line() + geom_point() + labs(y='Area sembrada de palma de aceite [Ha x 1000]', x="Año")
g + ggtitle("Evolución de la siembra de palma de aceite en el Meta en el periodo 2007-2018") + labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)") + theme_bw()
La gráfica permite afirmar que la siembra de palma de aceite aumentó cerca de un 50% en el período de ****2007-2018. Del mismo modo, la siguiente tabla reúne los números asociados a la producción*** de palma de aceite en el departamaneto del Meta:
datos %>%
filter(CULTIVO=="PALMA DE ACEITE") %>%
group_by(CULTIVO, YEAR) %>%
summarize(max_prod_palm = max(PRODUCCION, na.rm = TRUE)) -> prod_max## `summarise()` regrouping output by 'CULTIVO' (override with `.groups` argument)prod_maxGraficando la tabla anterior:
g <- ggplot(aes(x=YEAR, y=max_prod_palm/1000), data = prod_max) + geom_line() + geom_point() + labs(y='Producción de palma de aceite [Ton x 1000]', x="Año")
g + ggtitle("Evolución de producción de palma de aceite en el Meta en el periodo 2007-2018") + labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)") + theme_bw()
Si se observa detenidamenta tanto la tabla como la gráfica anterior, se puede afirmar que la produccíon, a diferencia del area sembrada, no guarda una tendencia creciente, por el contrario, presenta un período de descenso entre el año 2011 y 2016, pero a partir de ahí, nuevamente comenzó a crecer. Por su parte, el rendimiento del cultivo de la palma de aceite, se consigan en la siguiente tabla:
datos %>%
filter(CULTIVO=="PALMA DE ACEITE") %>%
group_by(CULTIVO, YEAR) %>%
summarize(max_rend_palm = max(RENDIMIENTO, na.rm = TRUE)) -> rend_max## `summarise()` regrouping output by 'CULTIVO' (override with `.groups` argument)rend_maxGraficando:
g <- ggplot(aes(x=YEAR, y=max_rend_palm), data = rend_max) + geom_line() + geom_point() + labs(y='Rendimiento de palma de aceite [Ton x 1000]', x="Año")
g + ggtitle("Evolución rendimiento de palma de aceite en el Meta en el periodo 2007-2018") + labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)") + theme_bw()
Graficando mediante mapas
A continuación se procede a realizar una serie de mapas que permitan ver la información expuesta anteriormente de manera más estética, para ello, se comienza con cargar un archivo Shapefile que contenga los datos referentes a la superficie del departamento del Meta, así:
meta_munic <- sf::st_read("C:/Users/EQUIPO/Documents/2020-2/Geomatica/50_META/ADMINISTRATIVO/MGN_MPIO_POLITICO.shp")## Reading layer `MGN_MPIO_POLITICO' from data source `C:\Users\EQUIPO\Documents\2020-2\Geomatica\50_META\ADMINISTRATIVO\MGN_MPIO_POLITICO.shp' using driver `ESRI Shapefile'
## Simple feature collection with 29 features and 9 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -74.89921 ymin: 1.604238 xmax: -71.07753 ymax: 4.899101
## geographic CRS: WGS 84meta_municnames(meta_munic)## [1] "DPTO_CCDGO" "MPIO_CCDGO" "MPIO_CNMBR" "MPIO_CRSLC" "MPIO_NAREA"
## [6] "MPIO_NANO" "DPTO_CNMBR" "Shape_Leng" "Shape_Area" "geometry"Puesto que el objetivo de esta parte del informe es realizar una combinación entre los datos esradísticos y un simple feature, es necesario buscar una variable común entre ambas partes, de modo que, para este caso, el atriburo C0D_MUN resulta óptimo. Ahora bien, para llevar a cabo este proceso, es necesario cambiar el tipo y el contenido para el código que identifique cada municipio, a continuación se presenta el paso a paso:
Renombrando el atributo MPIO_CCDGO del objeto meta_munic2 como C0D_MUN:
meta_munic2<-rename(meta_munic, C0D_MUN=MPIO_CCDGO )meta_munic2Puesto que el mapa a realzar representará el la producción y el rendimiento del cultivo de la palma de aceite en el Meta, es necesario filtar los datos para ir perfilando la construcción de la imágen.
datos2 <- datoshead(datos2)datos2 %>% filter(CULTIVO == "PALMA DE ACEITE") -> datos3head(datos3)class(datos3)## [1] "spec_tbl_df" "tbl_df" "tbl" "data.frame"datos4 <- datos3 %>% dplyr::select(MUNICIPIO, C0D_MUN, YEAR, PRODUCCION, RENDIMIENTO) datos4datos4 %>%
gather("YEAR", "PRODUCCION", "RENDIMIENTO" , key = variable, value = number)head(datos4)Debido a que los datos tienen un gran número de filas, estos no podrían ser procesados con facilidad, por lo tanto, con el siguiente procedimiento se transformarán los datos del formato long (muchas filas) al wide (muchas columnas):
datos4 %>%
group_by(C0D_MUN) %>%
mutate(Visit = 1:n()) %>%
gather("YEAR", "PRODUCCION", "RENDIMIENTO", key = variable, value = number) %>%
unite(combi, variable, Visit) %>%
spread(combi, number) -> datos5head(datos5)tail(datos5)convirtiendo el atributo C0D_MUN en una variable de carácteres, con el objetivo que coincida con el C0D_MUN del sf(meta_munic2) al momento de realizar la unión.
datos5$C0D_MUN <- as.character(datos5$C0D_MUN)Realizando la combinación de los datos para la construcción del mapa:
meta_munic_stat = left_join(meta_munic2, datos5, by="C0D_MUN")summary(meta_munic_stat)## DPTO_CCDGO C0D_MUN MPIO_CNMBR MPIO_CRSLC
## Length:29 Length:29 Length:29 Length:29
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## MPIO_NAREA MPIO_NANO DPTO_CNMBR Shape_Leng
## Min. : 117.3 Min. :2017 Length:29 Min. :0.4364
## 1st Qu.: 568.2 1st Qu.:2017 Class :character 1st Qu.:1.4422
## Median : 1123.7 Median :2017 Mode :character Median :2.0398
## Mean : 2949.1 Mean :2017 Mean :2.9820
## 3rd Qu.: 3428.1 3rd Qu.:2017 3rd Qu.:3.6313
## Max. :17247.7 Max. :2017 Max. :8.6332
##
## Shape_Area MUNICIPIO PRODUCCION_1 PRODUCCION_10
## Min. :0.009552 Length:29 Min. : 0 Min. : 1008
## 1st Qu.:0.046252 Class :character 1st Qu.: 35 1st Qu.: 4722
## Median :0.091507 Mode :character Median : 2002 Median :16589
## Mean :0.239841 Mean : 8908 Mean :25002
## 3rd Qu.:0.278743 3rd Qu.:11264 3rd Qu.:39734
## Max. :1.402166 Max. :59819 Max. :78250
## NA's :8 NA's :10
## PRODUCCION_11 PRODUCCION_12 PRODUCCION_2 PRODUCCION_3
## Min. : 1155 Min. : 1278 Min. : 0.0 Min. : 0
## 1st Qu.: 7058 1st Qu.: 7344 1st Qu.: 688.5 1st Qu.: 1007
## Median : 32025 Median : 32400 Median : 3480.0 Median : 4885
## Mean : 37489 Mean : 38867 Mean :11510.8 Mean :13149
## 3rd Qu.: 56753 3rd Qu.: 58931 3rd Qu.:12069.0 3rd Qu.:16554
## Max. :106900 Max. :111246 Max. :84800.0 Max. :89600
## NA's :11 NA's :11 NA's :9 NA's :9
## PRODUCCION_4 PRODUCCION_5 PRODUCCION_6 PRODUCCION_7
## Min. : 0 Min. : 0 Min. : 900 Min. : 1382
## 1st Qu.: 1188 1st Qu.: 1678 1st Qu.: 3305 1st Qu.: 5398
## Median : 5727 Median : 8358 Median : 10673 Median : 12970
## Mean :14612 Mean : 18958 Mean : 18522 Mean : 21002
## 3rd Qu.:18630 3rd Qu.: 22050 3rd Qu.: 23157 3rd Qu.: 27776
## Max. :96000 Max. :115800 Max. :100800 Max. :104160
## NA's :9 NA's :9 NA's :9 NA's :9
## PRODUCCION_8 PRODUCCION_9 RENDIMIENTO_1 RENDIMIENTO_10
## Min. : 1498 Min. : 1533 Min. :2.200 Min. :1.680
## 1st Qu.: 7996 1st Qu.: 9878 1st Qu.:2.655 1st Qu.:3.130
## Median :15380 Median :16960 Median :3.000 Median :3.130
## Mean :21163 Mean :25767 Mean :2.928 Mean :3.054
## 3rd Qu.:29477 3rd Qu.:43552 3rd Qu.:3.163 3rd Qu.:3.130
## Max. :92293 Max. :96250 Max. :3.500 Max. :3.130
## NA's :9 NA's :9 NA's :13 NA's :10
## RENDIMIENTO_11 RENDIMIENTO_12 RENDIMIENTO_2 RENDIMIENTO_3
## Min. :1.440 Min. :1.490 Min. :2.300 Min. :2.300
## 1st Qu.:3.820 1st Qu.:3.840 1st Qu.:2.840 1st Qu.:2.660
## Median :4.260 Median :4.260 Median :3.000 Median :2.900
## Mean :3.839 Mean :3.852 Mean :2.908 Mean :2.861
## 3rd Qu.:4.260 3rd Qu.:4.260 3rd Qu.:3.100 3rd Qu.:3.100
## Max. :4.260 Max. :4.260 Max. :3.200 Max. :3.350
## NA's :11 NA's :11 NA's :12 NA's :12
## RENDIMIENTO_4 RENDIMIENTO_5 RENDIMIENTO_6 RENDIMIENTO_7 RENDIMIENTO_8
## Min. :1.500 Min. :1.550 Min. :2.580 Min. :2.600 Min. :2.60
## 1st Qu.:2.500 1st Qu.:2.650 1st Qu.:3.000 1st Qu.:3.000 1st Qu.:2.97
## Median :3.000 Median :3.000 Median :3.000 Median :3.000 Median :2.97
## Mean :2.726 Mean :2.821 Mean :3.027 Mean :3.023 Mean :2.99
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:3.110 3rd Qu.:2.97
## Max. :3.200 Max. :3.330 Max. :3.500 Max. :3.500 Max. :4.26
## NA's :10 NA's :10 NA's :9 NA's :9 NA's :9
## RENDIMIENTO_9 YEAR_1 YEAR_10 YEAR_11 YEAR_12
## Min. :2.570 Min. :2007 Min. :2016 Min. :2017 Min. :2018
## 1st Qu.:2.975 1st Qu.:2007 1st Qu.:2016 1st Qu.:2017 1st Qu.:2018
## Median :3.500 Median :2007 Median :2016 Median :2017 Median :2018
## Mean :3.299 Mean :2008 Mean :2016 Mean :2017 Mean :2018
## 3rd Qu.:3.500 3rd Qu.:2007 3rd Qu.:2016 3rd Qu.:2017 3rd Qu.:2018
## Max. :4.260 Max. :2016 Max. :2018 Max. :2017 Max. :2018
## NA's :9 NA's :8 NA's :10 NA's :11 NA's :11
## YEAR_2 YEAR_3 YEAR_4 YEAR_5 YEAR_6
## Min. :2008 Min. :2009 Min. :2010 Min. :2011 Min. :2012
## 1st Qu.:2008 1st Qu.:2009 1st Qu.:2010 1st Qu.:2011 1st Qu.:2012
## Median :2008 Median :2009 Median :2010 Median :2011 Median :2012
## Mean :2008 Mean :2009 Mean :2010 Mean :2011 Mean :2012
## 3rd Qu.:2008 3rd Qu.:2009 3rd Qu.:2010 3rd Qu.:2011 3rd Qu.:2012
## Max. :2011 Max. :2012 Max. :2013 Max. :2014 Max. :2015
## NA's :9 NA's :9 NA's :9 NA's :9 NA's :9
## YEAR_7 YEAR_8 YEAR_9 geometry
## Min. :2013 Min. :2014 Min. :2015 POLYGON :29
## 1st Qu.:2013 1st Qu.:2014 1st Qu.:2015 epsg:4326 : 0
## Median :2013 Median :2014 Median :2015 +proj=long...: 0
## Mean :2013 Mean :2014 Mean :2015
## 3rd Qu.:2013 3rd Qu.:2014 3rd Qu.:2015
## Max. :2016 Max. :2017 Max. :2018
## NA's :9 NA's :9 NA's :9Graficando
Para realizar la gráfica del mapa, es necesario llamar las siguientes librerías:
library(RColorBrewer)
library(leaflet)Graficando el mapa de los municipios del departamento del Meta con sus respectiva producción de palma de aceite en al año 2018.
bins <- c(0, 1000, 8000, 20000, 40000, 80000, 100000, 120000)
pal <- colorBin("YlOrRd", domain = meta_munic_stat$PRODUCCION_12, bins = bins)
mapa <- leaflet(data = meta_munic_stat) %>%
addTiles() %>%
addPolygons(label = ~PRODUCCION_12,
popup = ~MPIO_CNMBR,
fillColor = ~pal(PRODUCCION_12),
color = "#444444",
weight = 1,
smoothFactor = 0.5,
opacity = 1.0,
fillOpacity = 0.5,
highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
) %>%
addProviderTiles(providers$OpenStreetMap) %>%
addLegend("bottomright", pal = pal, values = ~PRODUCCION_12,
title = "Producción de palma de aceite en el Meta [Ton] (2018)",
opacity = 1
)mapa