Elaborando mapas tematicos
Jhonathan Aponte Saravia
18/11/2020
El propĆ³sito es mostrar las aplicaciones de los datos espaciales utilizando el programa R Package y R Studio, para generar y presentar los mapas temĆ”ticos, aplicando algunas librerĆas que permiten el uso de los datos vectoriales, donde se indica los pasos a seguir desde el proceso de importaciĆ³n de los datos vectoriales, y desde excel, el proceso de join to relation, y las pautas para presentar los mapas de coropletas, los mapas de sĆmbolos proporcionales y los mapas de contorno. AdemĆ”s, este documento tiene como objetivo ser una guĆa a los estudiantes del programa de ingenierĆa en TopografĆa y en el nivel tecnolĆ³gico del mismo, en el curso de cartografĆa digital.
Los datos que se utilizaron para este ejercicio fueron datos de lĆmite de departamentos de Colombia y los datos de estadĆsticos de personas afectadas por el Virus CORONAVIRUS (COVID-19) en Colombia, a la fecha de mes de noviembre del 2020, Publicado por el Ministerio de Salud y ProtecciĆ³n Social https://www.minsalud.gov.co/salud/publica/PET/Paginas/Covid-19_copia.aspx,
La referencia utilizada para este proceso fue https://rpubs.com/ials2un/cartografia2.
Previamente cargamos las siguintes librerias.
library(rgdal)## Loading required package: sp## rgdal: version: 1.4-8, (SVN revision 845)
## Geospatial Data Abstraction Library extensions to R successfully loaded
## Loaded GDAL runtime: GDAL 2.2.3, released 2017/11/20
## Path to GDAL shared files: C:/Users/Usuario/Documents/R/win-library/3.6/rgdal/gdal
## GDAL binary built with GEOS: TRUE
## Loaded PROJ.4 runtime: Rel. 4.9.3, 15 August 2016, [PJ_VERSION: 493]
## Path to PROJ.4 shared files: C:/Users/Usuario/Documents/R/win-library/3.6/rgdal/proj
## Linking to sp version: 1.4-1library(sp)
library(sf)## Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1library(ggplot2)
library(knitr)
library(readxl)
library(rgeos)## rgeos version: 0.5-2, (SVN revision 621)
## GEOS runtime version: 3.6.1-CAPI-1.10.1
## Linking to sp version: 1.3-2
## Polygon checking: TRUElibrary(cartography)
library(SpatialPosition)Previamente cargamos la libreria.
library("readxl")Luego importamos los datos desde excel
nbi_santander <- read_excel("C:/Users/Usuario/Desktop/Nueva carpeta (2)/nbi_santander.xlsx")
nbi_santander## # A tibble: 33 x 14
## Cod_dep NDep `NBI%` pmiseria Cvivienda Cservicios Chacinamiento
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 05 Antiā¦ 10.7 2.48 3.53 1.89 2.73
## 2 08 AtlĆ”ā¦ 11.3 2.16 2.16 1.49 4.01
## 3 11 Bogoā¦ 3.36 0.240 0.364 0.103 1.35
## 4 13 BolĆā¦ 26.6 8.02 13.2 9.55 4.68
## 5 15 Boyaā¦ 10.0 1.89 2.33 1.80 3.13
## 6 17 Caldā¦ 8.91 1.52 1.74 1.55 2.04
## 7 18 Caquā¦ 23.5 6.16 10.1 5.91 4.61
## 8 19 Cauca 18.3 3.15 5.99 5.87 3.71
## 9 20 Cesar 22.8 7.17 9.31 5.04 7.88
## 10 23 CĆ³rdā¦ 34.8 11.2 26.0 6.16 6.90
## # ā¦ with 23 more rows, and 7 more variables: Cinasistencia <dbl>,
## # CdeconĆ³mica <dbl>, cnuevos <dbl>, ctotales <dbl>, recuperados <dbl>,
## # fallecidos <dbl>, hospitalizados <dbl>nbi_santander$Cod_dep## [1] "05" "08" "11" "13" "15" "17" "18" "19" "20" "23" "25" "27" "41" "44" "47"
## [16] "50" "52" "54" "63" "66" "68" "70" "73" "76" "81" "85" "86" "88" "91" "94"
## [31] "95" "97" "99"Luego importamos los datos vectoriales a R
dep <- st_read("E:/A_UTS/2020 -II/Docencia/Cartografia digital/11 Elaboracion de mapas tematicos/Datos taller/shape/departamentos.shp")## Reading layer `departamentos' from data source `E:\A_UTS\2020 -II\Docencia\Cartografia digital\11 Elaboracion de mapas tematicos\Datos taller\shape\departamentos.shp' using driver `ESRI Shapefile'
## Simple feature collection with 33 features and 11 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -81.73562 ymin: -4.23285 xmax: -66.84722 ymax: 13.39473
## geographic CRS: WGS 84dep## Simple feature collection with 33 features and 11 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -81.73562 ymin: -4.23285 xmax: -66.84722 ymax: 13.39473
## geographic CRS: WGS 84
## First 10 features:
## OBJECTID DPTO_CCDGO DPTO_NANO_ DPTO_CNMBR
## 1 34 05 1886 ANTIOQUIA
## 2 35 08 1910 ATLĆNTICO
## 3 36 11 1538 BOGOTĆ, D.C.
## 4 37 13 1886 BOLĆVAR
## 5 38 15 1886 BOYACĆ
## 6 39 17 1905 CALDAS
## 7 40 18 1981 CAQUETĆ
## 8 41 19 1857 CAUCA
## 9 42 20 1967 CESAR
## 10 43 23 1951 CĆRDOBA
## DPTO_CACTO DPTO_NAREA DPTO_CSMBL DPTO_NANO
## 1 Constitucion Politica de 1886 62967.722 3 2016
## 2 Ley 21 de 1910 3315.752 3 2016
## 3 Constitucion Politica de 1886 1622.739 3 2016
## 4 Constitucion Politica de 1886 26689.691 3 2016
## 5 Constitucion Politica de 1886 23138.048 3 2016
## 6 11 de Abril de 1905 7425.270 3 2016
## 7 Ley 78 del 29 de Diciembre de 1981 90103.008 3 2016
## 8 15 de junio de 1857 31242.951 3 2016
## 9 Ley 25 21 de junio de 1967 22562.360 3 2016
## 10 Ley 9 del 18 de Diciembre de 1951 25086.368 3 2016
## SHAPE_Leng SHAPE_Area REVISADO geometry
## 1 21.519802 5.1482305 * MULTIPOLYGON (((-76.4136 8....
## 2 2.540766 0.2739304 1 MULTIPOLYGON (((-74.84946 1...
## 3 3.751874 0.1321986 2 MULTIPOLYGON (((-74.07419 4...
## 4 15.175668 2.1931451 * MULTIPOLYGON (((-75.25555 1...
## 5 15.906491 1.8883908 * MULTIPOLYGON (((-72.17368 7...
## 6 6.656352 0.6055017 * MULTIPOLYGON (((-74.67154 5...
## 7 21.384287 7.3184847 6 MULTIPOLYGON (((-74.89423 2...
## 8 13.951565 2.5344218 8 MULTIPOLYGON (((-76.45922 3...
## 9 12.609051 1.8579611 * MULTIPOLYGON (((-73.45374 1...
## 10 9.687635 2.0575255 * MULTIPOLYGON (((-75.91797 9...class(dep)## [1] "sf" "data.frame"ejecutamos el proceso de join to relation,
cant <- merge(dep, nbi_santander,by.x="DPTO_CCDGO",by.y="Cod_dep")
summary(cant)## DPTO_CCDGO OBJECTID DPTO_NANO_
## 05 : 1 Min. :34 Min. :1538
## 08 : 1 1st Qu.:42 1st Qu.:1905
## 11 : 1 Median :50 Median :1959
## 13 : 1 Mean :50 Mean :1932
## 15 : 1 3rd Qu.:58 3rd Qu.:1991
## 17 : 1 Max. :66 Max. :1991
## (Other):27
## DPTO_CNMBR
## AMAZONAS : 1
## ANTIOQUIA : 1
## ARAUCA : 1
## ARCHIPIĆLAGO DE SAN ANDRĆS, PROVIDENCIA Y SANTA CATALINA: 1
## ATLĆNTICO : 1
## BOGOTĆ, D.C. : 1
## (Other) :27
## DPTO_CACTO DPTO_NAREA DPTO_CSMBL
## Constitucion Politica de 1886 : 5 Min. : 49.4 3:33
## 5 de Julio Constitucion Politica de 1991 : 4 1st Qu.: 20619.7
## Articulo 309 Constitucion Politica de 1991: 3 Median : 24139.4
## 11 de Abril de 1905 : 1 Mean : 34573.8
## 15 de junio de 1857 : 1 3rd Qu.: 48188.4
## 1964 : 1 Max. :109497.6
## (Other) :18
## DPTO_NANO SHAPE_Leng SHAPE_Area REVISADO
## Min. :2016 Min. : 0.6736 Min. :0.004048 * :18
## 1st Qu.:2016 1st Qu.: 9.5509 1st Qu.:1.679404 1 : 3
## Median :2016 Median :12.5654 Median :1.965024 4 : 2
## Mean :2016 Mean :12.6862 Mean :2.813048 2 : 1
## 3rd Qu.:2016 3rd Qu.:17.2926 3rd Qu.:3.926268 3 : 1
## Max. :2016 Max. :25.3659 Max. :8.877540 (Other): 3
## NA's : 5
## NDep NBI% pmiseria Cvivienda
## Length:33 Min. : 3.356 Min. : 0.2397 Min. : 0.3636
## Class :character 1st Qu.:10.673 1st Qu.: 1.8898 1st Qu.: 2.3348
## Mode :character Median :18.270 Median : 3.6077 Median : 5.7172
## Mean :24.200 Mean : 9.0704 Mean :10.7145
## 3rd Qu.:28.981 3rd Qu.: 8.9695 3rd Qu.:13.1605
## Max. :68.888 Max. :50.6757 Max. :56.5885
##
## Cservicios Chacinamiento Cinasistencia CdeconĆ³mica
## Min. : 0.1031 Min. : 1.335 Min. :1.007 Min. : 0.3784
## 1st Qu.: 1.5540 1st Qu.: 2.726 1st Qu.:1.532 1st Qu.: 4.1274
## Median : 4.4646 Median : 4.681 Median :1.843 Median : 5.1363
## Mean :10.3564 Mean : 7.852 Mean :2.773 Mean : 6.3785
## 3rd Qu.: 9.5473 3rd Qu.: 7.636 3rd Qu.:3.090 3rd Qu.: 7.5948
## Max. :57.4218 Max. :33.205 Max. :9.757 Max. :17.8814
##
## cnuevos ctotales recuperados fallecidos
## Min. : 0.0 Min. : 846 Min. : 816 Min. : 11.0
## 1st Qu.: 11.0 1st Qu.: 4572 1st Qu.: 4126 1st Qu.: 163.0
## Median : 68.0 Median : 15925 Median : 14369 Median : 425.0
## Mean : 150.7 Mean : 33266 Mean : 29400 Mean : 914.6
## 3rd Qu.: 176.0 3rd Qu.: 26007 3rd Qu.: 23494 3rd Qu.: 847.0
## Max. :1573.0 Max. :366585 Max. :304856 Max. :7917.0
##
## hospitalizados geometry
## Min. : 0.0 MULTIPOLYGON :33
## 1st Qu.: 97.0 epsg:4326 : 0
## Median : 361.0 +proj=long...: 0
## Mean : 912.2
## 3rd Qu.: 805.0
## Max. :6183.0
## En seguida cargamos la libreria
library(osmdata)## Data (c) OpenStreetMap contributors, ODbL 1.0. https://www.openstreetmap.org/copyrightmun.osm <- getTiles(
x = cant,
type = "OpenStreetMap",
zoom = 6,
cachedir = TRUE,
crop = FALSE
)Para establecer margenes, mostrar los bordes de los limites de los departamentos y
opar <- par(mar = c(0,0,2,0))
tilesLayer(x = mun.osm)
plot(st_geometry(cant), col = NA, border = "red", add=TRUE)
# Para presentar en el mapa la cantidad de nuevos casos (simbolos proporcionales)
propSymbolsLayer(
x = cant,
var = "cnuevos",
inches = 0.12,
col = "lightblue",
legend.pos = "topright",
legend.title.txt = "Cantidad de nuevos casos"
)## Warning in st_centroid.sfc(x = sf::st_geometry(x), of_largest_polygon =
## max(sf::st_is(sf::st_as_sf(x), : st_centroid does not give correct centroids for
## longitude/latitude data# uso de layout
layoutLayer(title = " Mapa cantidad nuevos casos COVID",
sources = "Fuente: Minsalud nov. 2020\nĀ© OpenStreetMap",
author = " Aponte Saravia ",
frame = TRUE, north = FALSE, tabtitle = TRUE)
# Para insertar el norte magnetico.
north(pos = "topleft")
Parte 2: Mapa de coropletas
# Margenes
opar <- par(mar = c(0,0,1,0))
# color del background
par(bg="grey90")
# plotear Departamentos
plot(st_geometry(cant), col = NA, border = "blue", bg = "#aadaff")
# Ploter la cantidad de fallecidos
choroLayer(
x = cant,
var = "fallecidos",
method = "geom",
nclass=8,
col = carto.pal(pal1 = "sand.pal", n1 = 10),
border = "red",
lwd = 0.5,
legend.pos = "topleft",
legend.title.txt = "Cantidad de fallecidos",
add = TRUE
)
propSymbolsLayer(
x = cant,
var = "cnuevos",
inches = 0.15,
col = "lightblue",
legend.pos = "topright",
legend.title.txt = "Cantidad de nuevos casos"
)## Warning in st_centroid.sfc(x = sf::st_geometry(x), of_largest_polygon =
## max(sf::st_is(sf::st_as_sf(x), : st_centroid does not give correct centroids for
## longitude/latitude data# layout
layoutLayer(title = "Fallecidos y nuevos casos por covid",
sources = "Minsalud, 2020",
author = "Aponte Saravia",
frame = TRUE, north = FALSE, tabtitle = TRUE, col="black")
north(pos = "topright")
Parte 3: Mapas de coropletas con etiquetado.
#
opar <- par(mar = c(0,0,1,0))
#
tilesLayer(x = mun.osm)
# plotear los bordes de los departamentos
plot(st_geometry(cant), col = NA, border = "red", add=TRUE)
#
choroLayer(
x = cant,
var = "fallecidos",
method = "geom",
nclass=5,
col = carto.pal(pal1 = "sand.pal", n1 = 10),
border = "white",
lwd = 0.5,
legend.pos = "topright",
legend.title.txt = "Fallecidos covid",
add = TRUE
)
labelLayer(
x = cant,
txt = "DPTO_CNMBR",
col= "white",
cex = 0.4,
font = 4,
halo = TRUE,
bg = "grey25",
r = 0.1,
overlap = FALSE,
show.lines = FALSE
)## Warning in st_centroid.sfc(x = sf::st_geometry(x), of_largest_polygon =
## max(sf::st_is(sf::st_as_sf(x), : st_centroid does not give correct centroids for
## longitude/latitude datalayoutLayer(
title = "Fallecidos covid 2020 ",
sources = "Minsalud, nov. 2020",
author = "Aponte Saravia",
frame = TRUE,
north = FALSE,
tabtitle = TRUE,
theme = "taupe.pal"
)
#
north(pos = "topleft")
Parte 4: Mapas de contorno.
opar <- par(mar = c(0,0,1.2,0))
plot(st_geometry(cant), col = NA, border = "black", bg = "grey75")
smoothLayer(
x = cant,
var = 'cnuevos',
typefct = "exponential",
span = 20000,
beta = 2,
nclass = 10,
col = carto.pal(pal1 = 'harmo.pal', n1 = 10),
border = "grey",
lwd = 0.1,
mask = cant,
legend.values.rnd = -3,
legend.title.txt = "Nuevos casos",
legend.pos = "right",
add=TRUE)## Warning in st_centroid.sfc(st_geometry(knownpts), of_largest_polygon =
## all(st_is(knownpts, : st_centroid does not give correct centroids for longitude/
## latitude data## although coordinates are longitude/latitude, st_intersection assumes that they are planartext(x = 650000, y = 1200000, cex = 0.6, adj = 0, font = 3, labels = "FunciĆ³n distancia:\n- type = exponential\n- beta = 2\n- span = 50 km")
layoutLayer(
title = "Nuevos casos covid",
sources = "Minsalud, 2020",
author = "Aponte Saravia",
frame = TRUE,
north = FALSE,
tabtitle = TRUE,
theme = "taupe.pal"
)
north(pos = "topleft")