cuaderno 2 (mapas temáticos)
Andres Camilo Medrano
6/4/2022
INTRODUCCIÓN
En el presente cuaderno, se ilustrará como hacer mapas temáticos de los dos grupos de cultivos más importantes en el departamento de Norte de santander. para tal fin, se usarán los archivos ‘csv’ generados del cuaderno uno y los archivos ‘shapefile’ generados del mapa de los municipios del departamento en QGIS.
Leyendo los archivos relacionados a los municipios, cultivos y ciudades
Archivos ‘csv’ guardados en el directorio, generados en el primer cuaderno de la base de datos de las evaluaciones agropecuarios municipales del año 2020, en donde se muestran los dos grupos de cultivos màs importantes de Norte de Santander, adicionalmente se muestra el archivo ‘csv’ de las ciudades de Colombia:
list.files("C:/Users/andre/OneDrive/Escritorio/Documentos U/12 matricula/Geomatica/Proyectos", pattern=c('csv'))## [1] "co.csv"
## [2] "Evaluaciones_Agropecuarias_Municipales_EVA.csv"
## [3] "nortestder_cereales_2020.csv"
## [4] "nortestder_LegumiYOleagi_2020.csv"Archivos ‘shp’ de los municipios de Norte de Santander guardados en el directorio:
list.files("C:/Users/andre/OneDrive/Escritorio/Documentos U/12 matricula/Geomatica/Datos")## [1] "20210624_BaseSIPRA2020.xlsx" "departamentoscolombia.gpkg"
## [3] "departamentosnortesantander.gpkg" "MGN_MPIO_POLITICO.CPG"
## [5] "MGN_MPIO_POLITICO.dbf" "MGN_MPIO_POLITICO.prj"
## [7] "MGN_MPIO_POLITICO.sbn" "MGN_MPIO_POLITICO.sbx"
## [9] "MGN_MPIO_POLITICO.shp" "MGN_MPIO_POLITICO.shp.xml"
## [11] "MGN_MPIO_POLITICO.shx" "MGN2018_MPIO_POLITICO.rar"
## [13] "municipiosNS.cpg" "municipiosNS.dbf"
## [15] "municipiosNS.prj" "municipiosNS.qmd"
## [17] "municipiosNS.shp" "municipiosNS.shx"
## [19] "nortesantander.gpkg"Archivo del grupo de cultivo más importante de Norte de Santander
(leguminosas = read_csv("C:/Users/andre/OneDrive/Escritorio/Documentos U/12 matricula/Geomatica/Proyectos/nortestder_LegumiYOleagi_2020.csv"))## Rows: 38 Columns: 4
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (2): Municipio, Grupo
## dbl (2): Cod_Mun, max_prod
##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.## # A tibble: 38 x 4
## Cod_Mun Municipio Grupo max_prod
## <dbl> <chr> <chr> <dbl>
## 1 54810 Tibú Leguminosas Y Oleaginosas 105860.
## 2 54385 La Esperanza Leguminosas Y Oleaginosas 21651.
## 3 54720 Sardinata Leguminosas Y Oleaginosas 16692.
## 4 54001 Cúcuta Leguminosas Y Oleaginosas 6982.
## 5 54261 El Zulia Leguminosas Y Oleaginosas 3055.
## 6 54003 Ábrego Leguminosas Y Oleaginosas 1728
## 7 54498 Ocaña Leguminosas Y Oleaginosas 1500
## 8 54670 San Calixto Leguminosas Y Oleaginosas 1116
## 9 54398 La Playa Leguminosas Y Oleaginosas 880
## 10 54174 Chitagá Leguminosas Y Oleaginosas 680.
## # ... with 28 more rowsArchivo shapefile con los municipios de Norte de Santander
(mun.tmp = st_read("C:/Users/andre/OneDrive/Escritorio/Documentos U/12 matricula/Geomatica/Datos/municipiosNS.shp"))## Reading layer `municipiosNS' from data source
## `C:\Users\andre\OneDrive\Escritorio\Documentos U\12 matricula\Geomatica\Datos\municipiosNS.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 41 features and 11 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -73.63379 ymin: 6.872201 xmax: -72.04761 ymax: 9.290847
## Geodetic CRS: WGS 84## Simple feature collection with 41 features and 11 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -73.63379 ymin: 6.872201 xmax: -72.04761 ymax: 9.290847
## Geodetic CRS: WGS 84
## First 10 features:
## DPTO_CCDGO MPIO_CCDGO MPIO_CNMBR
## 1 54 001 SAN JOSÉ DE CÚCUTA
## 2 54 003 ÁBREGO
## 3 54 051 ARBOLEDAS
## 4 54 099 BOCHALEMA
## 5 54 109 BUCARASICA
## 6 54 125 CÁCOTA
## 7 54 128 CÁCHIRA
## 8 54 172 CHINÁCOTA
## 9 54 223 CUCUTILLA
## 10 54 239 DURANIA
## MPIO_CRSLC MPIO_NAREA MPIO_CCNCT MPIO_NANO
## 1 1972 1133.5259 54001 2018
## 2 1806 1382.4498 54003 2018
## 3 1835 456.1490 54051 2018
## 4 1826 170.2670 54099 2018
## 5 1838 270.7909 54109 2018
## 6 1630 138.9222 54125 2018
## 7 1911 615.8199 54128 2018
## 8 1775 166.2541 54172 2018
## 9 1834 374.9105 54223 2018
## 10 Ordenanza 12 del 27 de Marzo de 1911 175.0128 54239 2018
## DPTO_CNMBR Shape_Leng Shape_Area ORIG_FID
## 1 NORTE DE SANTANDER 2.8770204 0.09292433 868
## 2 NORTE DE SANTANDER 2.2393759 0.11336240 869
## 3 NORTE DE SANTANDER 1.1611936 0.03736204 870
## 4 NORTE DE SANTANDER 0.7565850 0.01394456 871
## 5 NORTE DE SANTANDER 0.8281364 0.02220518 872
## 6 NORTE DE SANTANDER 0.5561253 0.01136823 873
## 7 NORTE DE SANTANDER 1.6560289 0.05045724 874
## 8 NORTE DE SANTANDER 0.7573386 0.01361348 875
## 9 NORTE DE SANTANDER 0.8858476 0.03069885 876
## 10 NORTE DE SANTANDER 0.6020091 0.01433714 877
## geometry
## 1 POLYGON ((-72.4778 8.430477...
## 2 POLYGON ((-73.01687 8.28517...
## 3 POLYGON ((-72.73134 7.71823...
## 4 POLYGON ((-72.60265 7.7578,...
## 5 POLYGON ((-72.95019 8.17889...
## 6 POLYGON ((-72.62101 7.32978...
## 7 POLYGON ((-73.04222 7.86361...
## 8 POLYGON ((-72.58771 7.69713...
## 9 POLYGON ((-72.79776 7.64021...
## 10 POLYGON ((-72.63625 7.83530...Identificar y limpiar los atributos que posee el archivo
Para realizar de manera exitosa el join, es importante tener claros los atributos en común que tiene el archivo “csv” y el “shp”.
mun.tmp %>% select(MPIO_CCNCT, MPIO_CNMBR, MPIO_NAREA) -> municipios
municipios## Simple feature collection with 41 features and 3 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -73.63379 ymin: 6.872201 xmax: -72.04761 ymax: 9.290847
## Geodetic CRS: WGS 84
## First 10 features:
## MPIO_CCNCT MPIO_CNMBR MPIO_NAREA geometry
## 1 54001 SAN JOSÉ DE CÚCUTA 1133.5259 POLYGON ((-72.4778 8.430477...
## 2 54003 ÁBREGO 1382.4498 POLYGON ((-73.01687 8.28517...
## 3 54051 ARBOLEDAS 456.1490 POLYGON ((-72.73134 7.71823...
## 4 54099 BOCHALEMA 170.2670 POLYGON ((-72.60265 7.7578,...
## 5 54109 BUCARASICA 270.7909 POLYGON ((-72.95019 8.17889...
## 6 54125 CÁCOTA 138.9222 POLYGON ((-72.62101 7.32978...
## 7 54128 CÁCHIRA 615.8199 POLYGON ((-73.04222 7.86361...
## 8 54172 CHINÁCOTA 166.2541 POLYGON ((-72.58771 7.69713...
## 9 54223 CUCUTILLA 374.9105 POLYGON ((-72.79776 7.64021...
## 10 54239 DURANIA 175.0128 POLYGON ((-72.63625 7.83530...Archivo con las ciudades de Colombia
Para éste paso, se usa la base de datos mundial de ciudades.
(cities = read_csv("C:/Users/andre/OneDrive/Escritorio/Documentos U/12 matricula/Geomatica/Proyectos/co.csv"))## Rows: 1102 Columns: 9
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (5): city, country, iso2, admin_name, capital
## dbl (4): lat, lng, population, population_proper
##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.## # A tibble: 1,102 x 9
## city lat lng country iso2 admin_name capital population
## <chr> <dbl> <dbl> <chr> <chr> <chr> <chr> <dbl>
## 1 Bogotá 4.61 -74.1 Colombia CO Bogotá primary 9464000
## 2 Medellín 6.24 -75.6 Colombia CO Antioquia admin 2529403
## 3 Cali 3.44 -76.5 Colombia CO Valle del Cauca admin 2471474
## 4 Barranquilla 11.0 -74.8 Colombia CO Atlántico admin 1274250
## 5 Cartagena 10.4 -75.5 Colombia CO Bolívar admin 1036412
## 6 Soacha 4.58 -74.2 Colombia CO Cundinamarca minor 995268
## 7 Palermo 2.89 -75.4 Colombia CO Huila minor 800000
## 8 Cúcuta 7.91 -72.5 Colombia CO Norte de Santander admin 750000
## 9 Soledad 10.9 -74.8 Colombia CO Atlántico minor 698852
## 10 Pereira 4.81 -75.7 Colombia CO Risaralda admin 590554
## # ... with 1,092 more rows, and 1 more variable: population_proper <dbl>Ahora se debe Convertir el archivo de las ciudades a un objeto espacial:
sf.cities <- st_as_sf(x = cities, coords = c("lng", "lat"))
sf.cities## Simple feature collection with 1102 features and 7 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: -81.7006 ymin: -4.215 xmax: -67.4858 ymax: 13.3817
## CRS: NA
## # A tibble: 1,102 x 8
## city country iso2 admin_name capital population population_prop~
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 Bogotá Colombia CO Bogotá primary 9464000 7963000
## 2 Medellín Colombia CO Antioquia admin 2529403 2529403
## 3 Cali Colombia CO Valle del Ca~ admin 2471474 2471474
## 4 Barranquilla Colombia CO Atlántico admin 1274250 1274250
## 5 Cartagena Colombia CO Bolívar admin 1036412 1036412
## 6 Soacha Colombia CO Cundinamarca minor 995268 995268
## 7 Palermo Colombia CO Huila minor 800000 800000
## 8 Cúcuta Colombia CO Norte de San~ admin 750000 750000
## 9 Soledad Colombia CO Atlántico minor 698852 342556
## 10 Pereira Colombia CO Risaralda admin 590554 590554
## # ... with 1,092 more rows, and 1 more variable: geometry <POINT>Como se puede observar, el archivo a pesar de haberse convertido no posee CRS (CRS=NA), se usa el código global EPSG 4326
st_crs(sf.cities) <- 4326Subconjunto de datos relevantes del departamento
unión del archivo de las ciudades de Colombia con los municipios de Norte de Santander
sf.cities.joined <- st_join(sf.cities, municipios, join = st_within)
sf.cities.joined## Simple feature collection with 1102 features and 10 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: -81.7006 ymin: -4.215 xmax: -67.4858 ymax: 13.3817
## Geodetic CRS: WGS 84
## # A tibble: 1,102 x 11
## city country iso2 admin_name capital population population_prop~
## * <chr> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 Bogotá Colombia CO Bogotá primary 9464000 7963000
## 2 Medellín Colombia CO Antioquia admin 2529403 2529403
## 3 Cali Colombia CO Valle del Ca~ admin 2471474 2471474
## 4 Barranquilla Colombia CO Atlántico admin 1274250 1274250
## 5 Cartagena Colombia CO Bolívar admin 1036412 1036412
## 6 Soacha Colombia CO Cundinamarca minor 995268 995268
## 7 Palermo Colombia CO Huila minor 800000 800000
## 8 Cúcuta Colombia CO Norte de San~ admin 750000 750000
## 9 Soledad Colombia CO Atlántico minor 698852 342556
## 10 Pereira Colombia CO Risaralda admin 590554 590554
## # ... with 1,092 more rows, and 4 more variables: geometry <POINT [°]>,
## # MPIO_CCNCT <chr>, MPIO_CNMBR <chr>, MPIO_NAREA <dbl>Se obtiene una tabla con todas las ciudades de cColombia y los municipios del departamento Norte de Santander, Para otras ciudades de otros departamentos, la columna de municipios aparece en blanco. Para organizar los datos se filtra la información correspondiente a Norte de Santander
nortestder.cities = dplyr::filter(sf.cities.joined, admin_name=='Norte de Santander')
nortestder.cities## Simple feature collection with 39 features and 10 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: -73.4478 ymin: 7.1378 xmax: -72.4075 ymax: 8.64
## Geodetic CRS: WGS 84
## # A tibble: 39 x 11
## city country iso2 admin_name capital population population_prop~
## * <chr> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 Cúcuta Colomb~ CO Norte de ~ admin 750000 750000
## 2 Ocaña Colomb~ CO Norte de ~ minor 90037 90037
## 3 Los Patios Colomb~ CO Norte de ~ minor 80235 80235
## 4 Villa del Rosar~ Colomb~ CO Norte de ~ minor 69833 69833
## 5 Pamplona Colomb~ CO Norte de ~ minor 58975 58975
## 6 Tibú Colomb~ CO Norte de ~ minor 37286 37286
## 7 El Zulia Colomb~ CO Norte de ~ minor 23921 23921
## 8 Teorama Colomb~ CO Norte de ~ minor 23381 23381
## 9 Sardinata Colomb~ CO Norte de ~ minor 22583 22583
## 10 El Tarra Colomb~ CO Norte de ~ minor 10957 10957
## # ... with 29 more rows, and 4 more variables: geometry <POINT [°]>,
## # MPIO_CCNCT <chr>, MPIO_CNMBR <chr>, MPIO_NAREA <dbl>Mapa del grupo de cultivo más importante de Norte de Santander
Antes de unir un objeto estadisctico con uno espacial, se debe entender que los dos deben tener un atributo e común, en este caso el código del municipio. No obstante deben tener el mismo tipo o clase de dato “chr”.
library(tmap)
library(ggplot2)
library(ggrepel)
library(classInt)class(leguminosas$Cod_Mun)## [1] "numeric"class(municipios$MPIO_CCNCT)## [1] "character"leguminosas$Cod_Mun = as.character(leguminosas$Cod_Mun)
class(leguminosas$Cod_Mun)## [1] "character"Ahora es posible hacer la unión, tendiendo siempre presente el atributo que se comparte en los dos tipos de archivos.
munic_leguminosas = left_join(municipios, leguminosas, by = c("MPIO_CCNCT" = "Cod_Mun"))
munic_leguminosas## Simple feature collection with 41 features and 6 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -73.63379 ymin: 6.872201 xmax: -72.04761 ymax: 9.290847
## Geodetic CRS: WGS 84
## First 10 features:
## MPIO_CCNCT MPIO_CNMBR MPIO_NAREA Municipio
## 1 54001 SAN JOSÉ DE CÚCUTA 1133.5259 Cúcuta
## 2 54003 ÁBREGO 1382.4498 Ábrego
## 3 54051 ARBOLEDAS 456.1490 Arboledas
## 4 54099 BOCHALEMA 170.2670 Bochalema
## 5 54109 BUCARASICA 270.7909 Bucarasica
## 6 54125 CÁCOTA 138.9222 Cácota
## 7 54128 CÁCHIRA 615.8199 Cáchira
## 8 54172 CHINÁCOTA 166.2541 Chinácota
## 9 54223 CUCUTILLA 374.9105 Cucutilla
## 10 54239 DURANIA 175.0128 Durania
## Grupo max_prod geometry
## 1 Leguminosas Y Oleaginosas 6982.40 POLYGON ((-72.4778 8.430477...
## 2 Leguminosas Y Oleaginosas 1728.00 POLYGON ((-73.01687 8.28517...
## 3 Leguminosas Y Oleaginosas 15.00 POLYGON ((-72.73134 7.71823...
## 4 Leguminosas Y Oleaginosas 225.00 POLYGON ((-72.60265 7.7578,...
## 5 Leguminosas Y Oleaginosas 16.25 POLYGON ((-72.95019 8.17889...
## 6 Leguminosas Y Oleaginosas 126.17 POLYGON ((-72.62101 7.32978...
## 7 Leguminosas Y Oleaginosas 58.50 POLYGON ((-73.04222 7.86361...
## 8 Leguminosas Y Oleaginosas 180.00 POLYGON ((-72.58771 7.69713...
## 9 Leguminosas Y Oleaginosas 8.40 POLYGON ((-72.79776 7.64021...
## 10 Leguminosas Y Oleaginosas 54.00 POLYGON ((-72.63625 7.83530...breaks <- classIntervals(munic_leguminosas$max_prod, n = 6, style = 'fisher')## Warning in classIntervals(munic_leguminosas$max_prod, n = 6, style = "fisher"):
## var has missing values, omitted in finding classeslab_vec <- vector(length = length(breaks$brks)-1)
rounded_breaks <- round(breaks$brks,2)
lab_vec[1] <- paste0('[', rounded_breaks[1],' - ', rounded_breaks[2],']')
for(i in 2:(length(breaks$brks) - 1)){
lab_vec[i] <- paste0('(',rounded_breaks[i], ' - ', rounded_breaks[i+1], ']')
}munic_leguminosas <- munic_leguminosas %>%
mutate(faktor_class = factor(cut(max_prod, breaks$brks, include.lowest = T), labels = lab_vec))
munic_leguminosas$Produccion = munic_leguminosas$faktor_classmunic_leguminosas$mid <- sf::st_centroid(munic_leguminosas$geometry)
LONG = st_coordinates(munic_leguminosas$mid)[,1]
LAT = st_coordinates(munic_leguminosas$mid)[,2]ggplot(data = munic_leguminosas) +
geom_sf(aes(fill = Produccion)) +
geom_label_repel(aes(x = LONG, y = LAT, label = MPIO_CNMBR),
label.padding = unit(0.05,"lines"),
label.r = unit(0.025, "lines"),
label.size = 0.05)## Warning: ggrepel: 8 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
facet = "max_prod"
leguminosas_map =
tm_shape(munic_leguminosas) + tm_polygons(facet) + tm_text(text = "MPIO_CNMBR", size = 0.7, fontfamily = "sans") +
tm_shape(nortestder.cities) + tm_symbols(shape = 2, col = "red", size = 0.20) +
tm_credits("Data source: UPRA (2020)", fontface = "bold") +
tm_layout(main.title = "Produccion de leguminosas y oleaginosas en 2020",
main.title.fontface = "bold.italic",
legend.title.fontfamily = "monospace") +
tm_scale_bar(position = c("left", "bottom"))tmap_mode("view")## tmap mode set to interactive viewingleguminosas_map## Credits not supported in view mode.## Symbol shapes other than circles or icons are not supported in view mode.Mapa del grupo del segundo cultivo más importante de Norte de Santander
(cereales = read_csv("C:/Users/andre/OneDrive/Escritorio/Documentos U/12 matricula/Geomatica/Proyectos/nortestder_cereales_2020.csv",show_col_types = FALSE))## # A tibble: 38 x 4
## Cod_Mun Municipio Grupo max_prod
## <dbl> <chr> <chr> <dbl>
## 1 54001 Cúcuta Cereales 81791
## 2 54261 El Zulia Cereales 17947
## 3 54553 Puerto Santander Cereales 5497
## 4 54810 Tibú Cereales 4301
## 5 54673 San Cayetano Cereales 3894
## 6 54385 La Esperanza Cereales 3667
## 7 54498 Ocaña Cereales 1828.
## 8 54003 Ábrego Cereales 1541.
## 9 54874 Villa del Rosario Cereales 1395
## 10 54405 Los Patios Cereales 810
## # ... with 28 more rowscereales$Cod_Mun = as.character(cereales$Cod_Mun)munic_cereales = left_join(municipios, cereales, by = c("MPIO_CCNCT" = "Cod_Mun"))
munic_cereales## Simple feature collection with 41 features and 6 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -73.63379 ymin: 6.872201 xmax: -72.04761 ymax: 9.290847
## Geodetic CRS: WGS 84
## First 10 features:
## MPIO_CCNCT MPIO_CNMBR MPIO_NAREA Municipio Grupo max_prod
## 1 54001 SAN JOSÉ DE CÚCUTA 1133.5259 Cúcuta Cereales 81791.00
## 2 54003 ÁBREGO 1382.4498 Ábrego Cereales 1540.93
## 3 54051 ARBOLEDAS 456.1490 Arboledas Cereales 52.50
## 4 54099 BOCHALEMA 170.2670 Bochalema Cereales 29.00
## 5 54109 BUCARASICA 270.7909 Bucarasica Cereales 14.25
## 6 54125 CÁCOTA 138.9222 Cácota Cereales 40.00
## 7 54128 CÁCHIRA 615.8199 <NA> <NA> NA
## 8 54172 CHINÁCOTA 166.2541 Chinácota Cereales 10.00
## 9 54223 CUCUTILLA 374.9105 Cucutilla Cereales 69.44
## 10 54239 DURANIA 175.0128 Durania Cereales 60.00
## geometry
## 1 POLYGON ((-72.4778 8.430477...
## 2 POLYGON ((-73.01687 8.28517...
## 3 POLYGON ((-72.73134 7.71823...
## 4 POLYGON ((-72.60265 7.7578,...
## 5 POLYGON ((-72.95019 8.17889...
## 6 POLYGON ((-72.62101 7.32978...
## 7 POLYGON ((-73.04222 7.86361...
## 8 POLYGON ((-72.58771 7.69713...
## 9 POLYGON ((-72.79776 7.64021...
## 10 POLYGON ((-72.63625 7.83530...breaks <- classIntervals(munic_cereales$max_prod, n = 6, style = 'fisher')## Warning in classIntervals(munic_cereales$max_prod, n = 6, style = "fisher"): var
## has missing values, omitted in finding classeslab_vec <- vector(length = length(breaks$brks)-1)
rounded_breaks <- round(breaks$brks,2)
lab_vec[1] <- paste0('[', rounded_breaks[1],' - ', rounded_breaks[2],']')
for(i in 2:(length(breaks$brks) - 1)){
lab_vec[i] <- paste0('(',rounded_breaks[i], ' - ', rounded_breaks[i+1], ']')
}munic_cereales <- munic_cereales %>%
mutate(faktor_class = factor(cut(max_prod, breaks$brks, include.lowest = T), labels = lab_vec))
munic_cereales$Produccion = munic_cereales$faktor_class
munic_cereales$mid <- sf::st_centroid(munic_cereales$geometry)
LONG = st_coordinates(munic_cereales$mid)[,1]
LAT = st_coordinates(munic_cereales$mid)[,2]ggplot(data = munic_cereales) +
geom_sf(aes(fill = Produccion)) +
geom_label_repel(aes(x = LONG, y = LAT, label = MPIO_CNMBR),
label.padding = unit(0.05,"lines"),
label.r = unit(0.025, "lines"),
label.size = 0.05)## Warning: ggrepel: 8 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
facet = "max_prod"
cereales_map =
tm_shape(munic_cereales) + tm_polygons(facet) + tm_text(text = "MPIO_CNMBR", size = 0.7, fontfamily = "sans") +
tm_shape(nortestder.cities) + tm_symbols(shape = 2, col = "red", size = 0.20) +
tm_credits("Data source: UPRA (2020)", fontface = "bold") +
tm_layout(main.title = "Produccion de cereales en 2020",
main.title.fontface = "bold.italic",
legend.title.fontfamily = "monospace") +
tm_scale_bar(position = c("left", "bottom"))tmap_mode("view")## tmap mode set to interactive viewingcereales_map## Credits not supported in view mode.## Symbol shapes other than circles or icons are not supported in view mode.