Hacer gráfica en R de precipitación a partir de archivos raster por departamento


En este tutorial explicare brevemente como realizar un gráfico tipo ojiva, en el cual se presente en el eje x los meses del año & en el eje y la precipitación acumulada para cada mes, a tres distintos departamentos de Colombia, estos son: Antioquía, Cundinamarca y Valle del Cauca. Los datos de entrada fueron tomados de la base de datos Worldclim (Hijmans et al., 2005) y extraídos para Colombia a partir del shape de límite departamental del SIGOT.
Los datos utilizados en este tutorial están disponibles en este enlace, y se describen a continuación:
1) 12 raster de precipitación para todo Colombia a resolución de 30 arcos de segundo (aproximadamente 1 km2)
2) Shapefile de los 32 departamentos de Colombia.
A continuación se describen los pasos, asumiendo que ya se tiene instalado R y RStudio en su computador.
1. Instalamos las siguientes librerías (importante tener conexión a Internet)
install.packages("raster")
install.packages("rgdal")
install.packages("ggplot2")
install.packages("dplyr")
install.packages("reshape2")

require("raster")
require("rgdal")
require("ggplot2")
require("dplyr")
require("reshape2")
2.  Llamamos nuestros datos en RStudio

myproj <- CRS("+proj=longlat +datum=WGS84") #proyección a utilizar
path <- "E:/Blogs/_blogger/_graphClimate" #dirección donde está el directorio raíz de los datos
col_shp <- shapefile(paste0(path, "/_shp/LimiteDptal.shp")) # limite departamental
files <- list.files(paste0(path, "/_climate/_colombia/_asc"), full.names = T, pattern = ".asc$") #archivos raster
 3. Escogemos en nuevos objetos los departamentos de interés

valleCauca_shp <- col_shp[col_shp$NOMBRE_DPT %in% "VALLE DEL CAUCA",]
cundinamarca_shp <- col_shp[col_shp$NOMBRE_DPT %in% "CUNDINAMARCA",]
antioquia_shp <- col_shp[col_shp$NOMBRE_DPT %in% "ANTIOQUIA",]
4. Archivos raster

files_prec <- grep("prec", files, value = T) %>%
mixedsort() #seleccion de precipitación y ordenar datos
layers_prec <- lapply(files_prec, raster) #conversión de objetos a raster
5. Corte de archivos raster por departamento, se crean listas vacías donde se guardaran los raster para cada departamento.
prec_antioquia    <- list() #creación de lista vacía
prec_cundinamarca <- list() #creación de lista vacia
prec_valle <- list() #creación de lista vacia

for(i in 1:length(layers_prec)){

prec_antioquia[[i]] <- crop(layers_prec[[i]], antioquia_shp)
prec_antioquia[[i]] <- mask(prec_antioquia[[i]], antioquia_shp)

prec_cundinamarca[[i]] <- crop(layers_prec[[i]], cundinamarca_shp)
prec_cundinamarca[[i]] <- mask(prec_cundinamarca[[i]], cundinamarca_shp)

prec_valle[[i]] <- crop(layers_prec[[i]], valleCauca_shp)
prec_valle[[i]] <- mask(prec_valle[[i]], valleCauca_shp)

}
6. Calculo de promedios de precipitación para cada mes en nuestros departamentos objeto de estudio. Se crean listas vacías donde se guardaran los datos de promedios para cada raster por departamento.

prec_mean_antioquia <- list(); prec_mean_cund <- list(); prec_mean_valle <- list()
prec_df_antioquia <- NA; prec_df_cund <- NA; prec_df_valle <- NA

for(i in 1:length(prec_antioquia)){

prec_mean_antioquia[[i]] <- mean(prec_antioquia[[i]][], na.rm = T)
prec_df_antioquia <- t(as.data.frame((rbind(prec_mean_antioquia))))

prec_mean_cund[[i]] <- mean(prec_cundinamarca[[i]][], na.rm = T)
prec_df_cund <- t(as.data.frame((rbind(prec_mean_cund))))

prec_mean_valle[[i]]<- mean(prec_valle[[i]][], na.rm = T)
prec_df_valle <- t(as.data.frame((rbind(prec_mean_valle))))

}
7. Orden de datos para ggplot

df_prec <- data.frame(prec_df_antioquia, prec_df_cund, prec_df_valle)
df_prec %
mutate(Month_numeric = 1:nrow(df_prec)) %>%
mutate(prec_mean_antioquia = as.numeric(prec_mean_antioquia),
      prec_mean_cund = as.numeric(prec_mean_cund),
      prec_mean_valle  = as.numeric(prec_mean_valle))

prec_df_rename <- rename(df_prec, Antioquia = prec_mean_antioquia,
Cundinamarca = prec_mean_cund, Valle = prec_mean_valle)

prec_df_melt <- melt(prec_df_rename, id = 'Month_numeric')
prec_df_melt <- rename(prec_df_melt, Departamento = variable)
8. Creación de gráfico base

gg  <- ggplot(prec_df_melt, aes(Month_numeric, value,  fill = Departamento, colour = Departamento))+ geom_line() + xlab("Mes") + ylab("Precipitación (mm)") + ggtitle("Precipitación para cada mes") +
scale_x_continuous(expand = c(0,0), breaks = c(1:12), labels = c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")) + theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
theme(legend.position = "bottom")
9. Creación de gráfico base

gg <- gg + scale_colour_manual(labels = c("Antioquia", "Cundinamarca", "Valle del Cauca"), values = c("red", "green", "blue"))

10. Guardado de gráfico en buena resolución

ggsave(plot = gg, paste0(path, "/_png/precYear_dptos.png"), width = 9, height = 8, units = "in")
gg
El gráfico debe quedar así:

Importar y exportar archivos GPX en R

El objetivo del presente tutorial es aprender a importar un listado de archivos GPX (son los archivos nativos que se toman con el GPS) en R y exportarlos como archivos .csv, para aprender a exportar estos archivos csv a shapefile se puede leer este tutorialrealizado meses atrás.

Primero instalamos la librería “plotKML” y “data.table”, mediante el siguiente comando:

install.packages(“plotKML”)
install.packages(“data.table”)
require(plotKML)
require(data.table)
Escribimos la ruta donde está el listado de archivos gpx.
path <- "D:/Personal/_blog/_importGPX/_gpx"
listado <- list.files(path, full.names = T)
Ahora mediante el comando “lapply” aplicamos la función readGPX a todos los archivos gpx.
gpx_wayPoints_2 <- lapply(listado, FUN = readGPX, waypoints = TRUE, track = FALSE, routes = FALSE)
Ahora creamos un listado vacío para allí guardar las tablas de waypoints (puntos tomados con el GPS)
gpx_wayPoints3 <- list()
Para obtener solamente las tablas del archivo gpx, realizamos un ciclo mediante el cual iteramos en cada objeto de la lista obteniendo solamente la tabla
for (i in 1:length(listado)){
  gpx_wayPoints3[[i]] <- gpx_wayPoints_2[[i]]$waypoints
}
Mediante la siguiente línea de comando podemos observar las dimensiones de cada tabla, y así poder observar si tienen igual número de columnas
lapply(gpx_wayPointsList2, function(x){dim(x)})
Ahora mediante el comando “rbindlist” unimos los tres dataframe (tabla) dentro de uno solo
tabla <- rbindlist(gpx_wayPoints3)
dim(tabla) #podemos observer las dimensiones de la tabla
Por último guardamos la tabla en un archivo csv.
write.csv(tabla, “D:/Personal/_blog/_importGPX/tabla.csv”)
Los datos para realizar la práctica se encuentran disponibles en este enlace.

Descarga de automatizada de archivos raster en R

26 de Julio de 2016
Hace pocos días ISRIC World Soil Information [1] realizó la actualización de los datos espaciales (tipo raster) de suelo a resolución de 250 metros, anteriormente la resolución estaba en aproximadamente 1 km, estos datos provienen de distintas fuentes de datos y representan propiedades físicas, biológicas y químicas; por ejemplo, el potencial de hidrogeno (pH), la capacidad de intercambio catiónico, el contenido de carbono orgánico, el porcentaje de arena, suelo y arcilla, la densidad aparente, entre otras.
Los archivos se encuentran disponibles mediante un sitio web FPT (File Transfer Protocol) disponible en este enlace; estos datos es posible descargarlos mediante clic en cada archivo desde un navegador web (ej. Google Chrome, Opera, Mozilla Firefoz) o desde el lenguaje de programación R usando la librería “utils” (R Core Team, Versión 3.2.2.), la ventaja que ofrece R respecto al navegador web es que es posible optimizar la descarga haciendo uso de iteraciones, lo que evita el hacer uso de clic en cada archivo del sitio web [2].

install.packages(“utils”)
library(utils)
for (nomen in c(“CECSOL”,”CLYPPT”,”CRFVOL”,”ORCDRC”,”PHICKL”,”PHIHOX”, “SLTPPT”,”SNDPPT”,”ORCDRC”)) #se varia acorde al tipo de variable
{
  for (i in 1:7)
  {
    code=paste0(nomen,”_M_sl”,i,”_250m_ll.tif”)
    url=paste0(“ftp://ftp.soilgrids.org/data/recent/”,code)
    download.file(url, destfile = paste0(“E:/ISRIC/”,code), mode = “wb”)
  } #la URL es el enlace web desde donde se descargan los archivos raster y varia acorde al perfil de la variable, el “destfile” es el archivo donde se van a guardar los datos en el disco duro del pc y el nombre es el mismo del raster, el mode es wb para que sea reconocido como archivo espacial
}

En este sentido, el objetivo del presente tutorial es realizar la descarga de la mayoría de archivos raster [3] de suelos a resolución de 250 metros mediante un ciclo (for) en R, para ello necesitamos la librería “utils” y una buena conexión a internet. 
Apenas se ejecuta el código se comienza la descarga desplegándose lo presentado en la siguiente figura en caso que se esté utilizando la interfaz de RStudio.
Para tener en cuenta:
[1] ISRIC es un sistema para el mapeo automatizado del suelo basado en perfiles de suelos globales, la base de datos comprende archivos raster del mundo a 1 km y 250 m de resolución espacial producida mediante la asignación automática del suelo basada en algoritmos de aprendizaje automático. Para leer más: Hengl, T., Mendes de Jesus, J., Heuvelink, G. B.M., Ruiperez Gonzalez, M., Kilibarda, M. et al. (2016) SoilGrids250m: global gridded soil information based on Machine Learning. Earth System Science Data (ESSD) in review.
[2] Desde cualquier navegador web solamente es posible realizar dos descargas a la vez.
[3] Debido a los nombres de los archivos raster de tipo de suelo no es posible realizar la descarga optimizada mediante el ciclo, pues el nombre del archivo varía considerablemente.
Gracias @AndresAgui90 por su grata ayuda en la elaboración de este tutorial. 

Uso de la herramienta “Clip” en ArcGIS

17 de enero de 2016

Uso de la herramienta “Clip” en ArcGIS


El objetivo de este ejercicio es obtener los municipios solamente del Valle del Cauca a partir del shape de municipios para Colombia y el límite de este departamento, estos datos son descargados de la página oficial del SIGOT.
Nota: el tutorial presente fue realizado con el software ArcGIS 10.3, de igual manera la herramienta se encuentra en versiones anteriores.

Primero abrimos el shapefile de municipios y límite del Valle del Cauca en ArcGIS usando el icono resaltado en amarillo: 
Deberemos tener en el espacio de trabajo de ArcGIS algo como esto:
La herramienta de la cual se hará uso es “Clip”, esta se encuentra dentro del “ArcToolbox à Analysis Tools à Extraction à Clip”.
Se desplegara una ventana, en el archivo de entrada va a ir los municipios, en el campo “Clip Features” va el shape del departamento del Valle del Cauca, en el campo “output” va el archivo de salida (es decir, donde queremos el nuevo shape que se creara), algo importante es que ambas capas deben estar bajo el mismo sistema de coordenadas.

El archivo generado debe ser algo similar a lo siguiente:
Otra manera de obtener solamente los municipios para el Valle del Cauca es hacer una selección por atributos al shape de Municipios desde la tabla de atributos (Select by Attributes), como se muestra a continuación:
Luego damos clic derecho sobre la capa en la tabla de contenidos, luego en “Data” y “Export Data”, y guardamos el shapefile en un sitio de interés de nuestro disco duro.
Los archivos usados en el presente tutorial se encuentra disponible en este link.

Uso de la herramienta “Dissolve” en ArcGIS

10 de enero de 2016

Uso de la herramienta “Dissolve” en ArcGIS

El objetivo de este ejercicio es obtener los límites departamentales a partir del shape de municipios de Colombia, este descargado de la página oficial del SIGOT. Este archivo puede ser de utilidad al momento de hacer el mapa de macrolocalización de algún departamento o municipio, en donde se muestre en este mapa, los departamentos y con algún otro color la zona dónde se encuentra el mapa.

Nota: el tutorial presente fue realizado con el software ArcGIS 10.3, de igual manera la herramienta se encuentra en versiones anteriores.

Primero abrimos el shapefile en ArcGIS usando el icono resaltado en amarillo:

Deberemos tener en el espacio de trabajo de ArcGIS algo como esto:

La herramienta de la cual se hará uso es “Dissolve”, esta se encuentra dentro del “ArcToolbox  Data Management Tools  Generalization  Dissolve”.

Se desplegara una ventana, en el archivo de entrada va a ir el municipio, en el campo “output” va el archivo de salida (es decir, donde queremos el nuevo shape que se creara), luego escogemos el campo sobre el cual se ejecutara el comando, para este caso escogemos el nombre del departamento, lo que significa que los polígonos (municipios) que hay dentro de cada departamento desaparecerán. Si quisiéramos solamente el límite de Colombia no escogemos ningún campo.

El archivo generado debe ser algo similar a lo siguiente:

El archivo usado en el presente tutorial se encuentra disponible en este link.

Extracción por mascara en R

Extracción por máscara en R

El objetivo del presente ejercicio es realizar la extracción por mascara (corte) de un grupo de archivos raster a partir de un shapefile, este usado como máscara, mediante un ciclo en R, es un proceso común cuando se tienen, por ejemplo, la precipitación (o alguna otra variable) para los 12 meses del año de todo Colombia y se quiere obtener solamente la precipitación de una unidad administrativa de menor área, para el presente caso es el departamento del Valle del Cauca; evitando hacer el proceso repetitivo, por ejemplo, en ArcGIS usando la herramienta “Extract by Mask”. Se hace uso de los ciclos, básicamente consiste en decirle al sistema que repita en cada una de las capas de un listado el corte a partir de una capa que representa el límite de nuestra área de estudio.
 Fuente: esri
Primero habilitamos las librerías de las cuales haremos uso:
require(raster) #si la librería no la tiene incluida se puede descargar usando install.packages(“raster”)
require(rgdal)
Luego abrimos el shapefile, que representa la máscara, bajo el comando “shapefile”.
mascara = shapefile(“E:/Blogger/Post_7/_data/_mask/valle_cacuca.shp”)
Para poder visualizar ambos archivos hacemos uso del comando “plot”.
plot(mascara)
class(mascara) #permite ver el tipo de archivo que es mascara, para este caso es un shapefile tipo polígono.
Luego hacemos el uso del comando “paste” para indicarle a R que lea todos los archivos que contienen la dirección escrita, esto permite unir la dirección, el 1 a 12 significa cada mes (es como finaliza el archivo) y por último la extensión que es .asc.
precipitacion=paste(“E:/Blogger/Post_7/_data/_prec_col/prec_”,1:12,”.asc”, sep=””)
Seguido de ello hacemos uso del comando “lapply” para indicar que todos los archivos son raster.
rasters=lapply(precipitacion, FUN = raster)
Luego realizamos el ciclo, aspectos a tener en cuenta:
·         El for es el comando que se utiliza
·         La “i” es para indicar que cada vez que esta letra cambie, conforme a la secuencia (1:12) será un archivo distinto al cual se le hace el proceso.
·         Lo que está dentro de las “{}” será lo que repetirá una y otra vez hasta finalizar.
·         El comando “crop” se usa para realizar el corte (equivalente al “extract by mask” de ArcGIS), en la primera posición va el dato de entrada, y en la segunda posición va el dato de máscara crop(rasters, mask),
·         El comando “mask” se usa para indicar que la máscara (extensión del archivo) será equivalente al objeto “mascara”.
·         El comando writeRaster es para guardar los archivos en una dirección de nuestro computador, y el comando “names” se utiliza para que guarde el archivo bajo el mismo nombre que el archivo de entrada.
for(i in 1:19){
  corte = crop(rasters[[i]],mascara)
  corte = mask(corte, mascara)
  writeRaster(corte,paste(“E:/Blogger/Post_7/_data/_prec_valle/”,names(rasters[[i]]),”.tif”,sep=””))
}
plot(corte[[1]])



De este link se puede descargar los datos que se hacen uso en este tutorial.
Gracias a @AntonioPantojaC por su colaboración! 

Shape a Raster en R

Convertir un shapefile a raster en R

El objetivo el presente ejercicio es realizar la conversión de un shapefile a archivo raster en R, es un proceso muy común y útil en los SIG, pues permite incorporar un archivo shapefile a un ejercicio de análisis raster, ejemplo algebra de mapas o conteo de área por unidad político-administrativa, entre otros; para el presente caso tenemos el shapefile de departamentos de Colombia y un archivo raster base con resolución espacial aproximada a 1 km2, el archivo resultante tomara la extensión, la alineación y la resolución acorde a este raster base.
Primero habilitamos las librerías de las cuales haremos uso:
require(raster)
require(rgdal)
Luego abrimos el shapefile en R bajo el comando “shapefile”, y el raster base con el comando “raster”, tal como se muestra a continuación.
x = shapefile(“E:/Blogger/Post_6/_data/DepartamentosCOL.shp”)
y = raster(“E:/Blogger/Post_6/_data/ mascara_col.tif”)
Para poder visualizar ambos archivos hacemos uso del comando “plot”.
plot(x)
plot(y)
Luego escogemos un campo de los que tiene el shapefile para hacer sobre este la conversión, para este caso el campo sobre el cual haremos la conversión sera el código del departamento según el código del DANE.
head(x) #con este código podemos observar el encabezado con los primeros seis campos de la tabla de atributos.
x2 <- x[,2] #escogemos la columna Nro. 2, que corresponde al ID del departamento.
Seguido de ello hacemos la conversión bajo el comando “rasterize”:
conversion = rasterize(x2, y, FUN= “first”)
Por último, guardamos este archivo raster en nuestro pc bajo el comando “writeRaster”.

writeRaster(conversion, “E:/Blogger/Post_6/_data/conversion.tif”)
plot(conversion)




De este link se puede descargar el dato que se hace uso en este tutorial.