Tarea Hurtos

En esta se realiza el mapa de densidad de kernel (o densidad de puntos), basados en los hurtos de motocicletas en Santiago de Cali. Se habia dicho que hacer la tarea con el atributo de hurtos a personas, pero como yó tengo moto, queria observar que zonas eran mas peligrosas para evitar riesgos.

Cargue de los datos

Los datos son generados por el Observatoriod e Seguridad y Justicia. Se cargan ya en formato raster mas la capa de comunas para hacer los respectivos recortes mas adelante.

## Carga de datos
library(raster)
comunas <- shapefile("D:/Posgrado/1. Primer semestre/1. Clase tratamiento de datos espaciales/Clase 13/YDRAY-Comuna.shp")
plot(comunas)

hurtos <- shapefile("D:/Posgrado/1. Primer semestre/1. Clase tratamiento de datos espaciales/Clase 13/Hurtos2017/2017_0_WGS84.shp")

Se realiza una visualización de los datos.

## Visualizar datos preliminarmente
plot(comunas)
points(hurtos,col="red")

El objetivo de este trabajo, está en analizar solo los hurtos a las motocicletas, para lo cual, se realiza un filtro a la base de datos, creando un nuevo subconjunto de datos.

## Selección de datos hurtos a motocicletas
pos_motos=which(hurtos@data$DELITO=="HURTO MOTOCICLETAS")
hurtos_motos=hurtos[pos_motos,]
plot(comunas)
points(hurtos_motos,col="red")

Ahora, se desea evaluar si los datos presentan algún tipo de patrón, ya sea regular, clúster o aleatorio. Para esto utilizamos el método gráfico de la función K(r). Donde se observa que la línea observada, de color negro, está por encima de la línea aleatoria, de color azul, por tanto los datos tienen una agrupación de clúster.

## Patrones puntuales
library(spatstat)
hurtos_motos <- crop(hurtos_motos,comunas)
loc <- coordinates(hurtos_motos)
extent(comunas)
## class      : Extent 
## xmin       : -76.59284 
## xmax       : -76.46125 
## ymin       : 3.331802 
## ymax       : 3.505871
patron_hurtos <- ppp(x=loc[,1],y=loc[,2],window=owin(c(-76.59284,-76.46125),c(3.331802,3.505871)))
plot(patron_hurtos)

## Tipo de Patron
quadrat.test(patron_hurtos)
## 
##  Chi-squared test of CSR using quadrat counts
## 
## data:  patron_hurtos
## X2 = 2387.5, df = 24, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 
## Quadrats: 5 by 5 grid of tiles
plot(Kest(patron_hurtos))

Como se observa que hay un patron de cluster, y para tener una mejor visualziación de los datos, se realiza la densidad de kernel apra los hurtos a motocicletas.

## Mapa de Densidad de Hurto a motocicletas
densidad=density(patron_hurtos,0.005)
plot(densidad)

densidad_tabla <- data.frame(densidad)

densidad_hurtos_motos <- rasterFromXYZ(densidad_tabla[,1:3]) #Pasamos a raster
plot(densidad_hurtos_motos)
plot(comunas, add=T)

densidad_hurtos_motos2 <- mask(densidad_hurtos_motos,comunas) #Seleccionamos solo la parte de la comuna
plot(densidad_hurtos_motos2)
plot(comunas,add=T)

Para tener una mejor visualziación realizamos el mapa de densidad con rasterVis.

## Visialización con raster VIS
library(rasterVis) #Colocar mas bonitos los mapas
levelplot(densidad_hurtos_motos2, par.settings=BuRdTheme)+layer(sp.polygons(comunas))

Analisis temporal de la densidad de hurtos a motocicletas

En esta sección se realzia en análisis de los hurtos a motocicletas por mes del año 2017.

## Dinamica espacio temporal del hurto a motocicletas

densidades_mes=list()

for(i in 1:12){
  pos_motos=which(hurtos@data$DELITO=="HURTO MOTOCICLETAS"&hurtos@data$MES==i)
  hurtos_motos=hurtos[pos_motos,]
  hurtos_motos=crop(hurtos_motos,comunas)
  loc=coordinates(hurtos_motos)
  
patron_hurtos=ppp(x=loc[,1],y=loc[,2],window=owin(c(-76.59284,-76.46125),c(3.331802,3.505871)))
  

##Mapa de Densidad de Hurto a motocicletas

densidad=density(patron_hurtos,0.005)
densidad_tabla=data.frame(densidad)

densidad_hurtos_motos=rasterFromXYZ(densidad_tabla[,1:3])
densidad_hurtos_motos2=mask(densidad_hurtos_motos,comunas)
densidades_mes[[i]]=densidad_hurtos_motos2
}
densidades_mes=stack(densidades_mes)
names(densidades_mes)=month.name
plot(densidades_mes) #Compara los nichos mas facilmente

require(rasterVis)
levelplot(densidades_mes,par.settings=BuRdTheme)+layer(sp.polygons(comunas)) #Comapra con la misma escala

Los meses de mayor cantidad de hurtos son enero, febrero, marzo, mayo y diciembre. Se observa como el comportamiento predomina en la zona central de la ciudad, abarcando mayor área en meses como abril, junio y noviembre.