Mapeo de información geográfica

Tarea 2

Cargamos las librerías que vamos a utilizar

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --

## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.4     v stringr 1.4.0
## v tidyr   1.1.3     v forcats 0.5.1
## v readr   2.0.1

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(sf)

## Linking to GEOS 3.9.1, GDAL 3.2.1, PROJ 7.2.1

library(readxl)
library(dplyr)

Cargamos el dataset “tradicional” con la información de viviendas por Zona Censal para Montevideo

ccz_mvd <- read_excel("V_1_MVD_edit.xls")

## New names:
## * `` -> ...3
## * `` -> ...5

Incorporamos el dataset con información de geometrías de las Zonas Censales de Montevideo

ccz_geom <- st_read("sig_comunales.shp", stringsAsFactors=TRUE)

## Reading layer `sig_comunales' from data source 
##   `C:\Users\Daniel\Desktop\Respaldo Daniel\Desktop\Daniel\_Diplomatura PU\Ciencia de Datos para Ciudades\CDC-DIPLOMATURA\sig_comunales.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 18 features and 2 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: 551994.3 ymin: 6133494 xmax: 589199.4 ymax: 6159799
## Projected CRS: WGS 84 / UTM zone 21S

ccz_join <- left_join (ccz_geom, ccz_mvd, 
                                 by = c("ZONA_LEGAL"="CCZ"))

Realizamos el mapa coroplético de cantidad de viviendas por Zona Censal

ggplot()+
  geom_sf(data=ccz_join, aes(fill=Total))

Ajustamos valores para la expresión

ggplot(ccz_join)+
  geom_sf(aes(fill=Total), color="white")+
  scale_fill_viridis_c(breaks=c(0,250,500,750,1000))

Incorporamos etiquetas y referencias

ggplot(ccz_join)+
  geom_sf(aes(fill=Total), color=NA)+
    labs(title = "Viviendas por Zona Comunal",
         subtitle = "Censo 2011",
         fill = "Total de viviendas por Zona (CCZ)",
         caption= "Fuente: INE") +
  scale_fill_distiller(palette = "Spectral") +
  theme_light()

Se puede apreciar que existen dos comunas con mayor cantidad de viviendas, aunque difieren mucho en cuanto a la superficie de distribución del dato de viviendas.

Sería conveniente analizar la cantidad de viviendas en relación al área de la zona comunal, para identificar concentraciones y densidades relativas.

En ese sentido vamos a generar una columna de área a partir del dato de geometría del shp

ccz_join <- ccz_join %>%
  mutate(superficie=st_area(geometry))

ccz_join <- ccz_join %>%
  mutate(superficie_km2=round(as.numeric(superficie)/100000, 2))

Realizamos un nuevo mapa, en esta oportunidad para visualizar densidades de viviendas por Zona Comunal

Incorporamos nuevos valores para mejorar la expresión del mapa

ggplot(ccz_join)+
  geom_sf(aes(fill=Total/superficie_km2), color="white")+
    labs(title = "Densidad de viviendas por Zona Comunal",
         subtitle = "Censo 2011",
         fill = "Viviendas por km2 (CCZ)",
         caption= "Fuente: INE") +
  scale_fill_distiller(palette = "Spectral") +
  theme_light()

Observamos que para las comunas céntricas de la ciudad, la densidad de viviendas es mayor. Para el caso de las comunas ubicadas al noroeste se idendifica menor densidad de viviendas, dato consistente por tratarse de zonas productivas caracterizadas como dentro de la categoría de “Montevideo Rural”.

Agregamos etiquetas para identificar rapidamente las comunas:

ggplot(ccz_join)+
  geom_sf(aes(fill=Total/superficie_km2), color="white")+
    geom_sf_text(aes(label = ZONA_LEGAL), size=1.5) +
    labs(title = "Densidad de viviendas por Zona Comunal",
         subtitle = "Censo 2011",
         fill = "Viviendas por km2 (CCZ)",
         caption= "Fuente: INE") +
  scale_fill_distiller(palette = "Spectral") +
  theme_light()

Incorporamos shp de calles de Montevideo para visualizarlo en conjunto con la cartografía coroplética

calles_mvd <- st_read("v_mdg_vias.shp", stringsAsFactors=TRUE)

## Reading layer `v_mdg_vias' from data source 
##   `C:\Users\Daniel\Desktop\Respaldo Daniel\Desktop\Daniel\_Diplomatura PU\Ciencia de Datos para Ciudades\CDC-DIPLOMATURA\v_mdg_vias.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 34241 features and 5 fields
## Geometry type: LINESTRING
## Dimension:     XY
## Bounding box:  xmin: 552729.7 ymin: 6133929 xmax: 589393.6 ymax: 6159774
## Projected CRS: WGS 84 / UTM zone 21S

ggplot(ccz_join)+
  geom_sf(aes(fill=Total/superficie_km2), color="white")+
    geom_sf_text(aes(label = ZONA_LEGAL), size=1.5) +
    
    labs(title = "Densidad de viviendas por Zona Comunal",
         subtitle = "Censo 2011",
         fill = "Viviendas por km2 (CCZ)",
         caption= "Fuente: INE") +
  scale_fill_distiller(palette = "Spectral") +
  theme_light()+
  geom_sf(data=calles_mvd, color="grey", size=0.03)

La red vial de Montevideo también es mas densa en las zonas céntricas de la ciudad.

Trabajo clase 2

Daniel Alonso

22/9/2021

Mapeo de información geográfica

Tarea 2