AM

Introducción al procesamiento, visualización y análisis de datos espaciales en R. Parte 1.

Authors

Diego J. Lizcano

Andres Felipe Suárez-Castro

Published

April 12, 2024

Mañana del Día 1

Datos y organización general

En primer lugar, es importante recordar que la organización es clave cuando se está generando un nuevo código. En este sentido, le recomendamos que cree una carpeta en su disco duro (C:) para cada nuevo proyecto. Puede hacer esto como un proyecto de Rstudio; para esto diríjase a: Archivo> Nuevo proyecto o simplemente cree una nueva carpeta en su explorador y establezca su directorio de trabajo allí. Dentro de esta carpeta, cree una carpeta de datos donde guardará sus datos sin procesar. Puede almacenar algunos objetos intermedios en otra subcarpeta. También cree una carpeta para su código R y una carpeta para guardar sus figuras.

la organización de carpetas que se sugere es:

C://curso
- data
- R
- fig

Caso de estudio

Durante el curso utilizaremos datos que vamos a descargar de la plataforma GBIF con el paquete rgbif. El ejercicio lo haremos con una especie de mamífero amenazado, la danta de montaña (Tapirus pinchaque).

Danta de montaña

Tenga en cuenta que se requiere conexión a internet y que podemos estar descargando muchos datos desde GBIF, así que este paso puede tardar unos segundos…

Code 
#######################################
## DOWNLOAD AND CLEAN DATA FROM GBIF ##
#######################################
library(rgbif)
# Si únicamente descargará los datos de una especie ----
species1 <- c("Tapirus pinchaque")
# Descargar datos de ocurrencia de GBIF para esta especie; Este proceso puede tomar tiempo si existen muchos puntos!
gbif_data_sp1 <- occ_data(scientificName = species1, hasCoordinate = TRUE, limit = 20000)
# crear una tabla con los datos descargados:
dat_sp1 <- gbif_data_sp1$data
# Si "Records found" es más grande que "Records returned", debe incrementar el argumento 'limit' arriba -- consulte help(occ_data) para ver opciones y limitaciones
# Si la especie tiene una distribución amplia, pero usted desea trabajar en una región particular, puede descargar los datos para unas coordinadas particulares:


# colombia_data <- occ_data(scientificName = species1, hasCoordinate = TRUE, limit = 20000, decimalLatitude = "0.996444, 5")#decimalLongitude = "-10, 10", decimalLatitude = "35, 55")  # note que los intervalos de coordenadas deben estar especificadas en el siguiente formato: "smaller, larger" (e.g. "-5, -2")
# gbif_data

Revise el entorno global Global Environment, en donde ahora deben aparecer tres objetos en la memoria. Uno llamado myspecies que corresponde a la especie. Otro llamado “gbif_data” con los datos descargados del GBIF y el objeto “dat” que es una tabla que contiene los registros de la especie de interés.

Revisión inicial de los datos

Una vez que la tabla esté cargada en el entorno global, es necesario hacer algunas verificaciones iniciales de los datos. Hay algunas funciones clave en R que nos permiten ver los datos de diferentes maneras. Es deseable que estas funciones se conviertan en una rutina estándar en sus scripts, pues le ayudarán a determinar si sus datos están formateados correctamente.

Primero, verificaremos el tipo de datos de cada una de las variables en nuestra tabla de datos. Tome un tiempo para entender cada una de estas variables.

Code 
# ejecute una sola linea a la vez
head(dat_sp1) # ver los primeros seis registros de la tabla
tail(dat_sp1) # ver los últimos seis registros de la tabla
# ver los datos de la tabla
View(dat_sp1) # ver toda la tabla
names(dat_sp1) # nombres de la columnas
nrow(dat_sp1) # número de filas de la tabla
ncol(dat_sp1) # número de columnas de la tabla
length(unique(dat_sp1$stateProvince)) # número de categorías únicas de la columna "stateProvince"
unique(dat_sp1$stateProvince) # categorías únicas de la columna "stateProvince"
length(unique(dat_sp1$year)) # número de categorías únicas de la columna "stateProvince"
unique(dat_sp1$year) # años únicos de los registros
table(dat_sp1$publishingCountry) # número de registros por país
summary(dat_sp1) # resumen de la información disponible en la tabla

Ordenamiento de datos

Ordenar los datos significa manipularlos con el fin de facilitar su exploración y análisis. El paquete "dplyr", incluido en tidyverse, proporciona una serie de funciones útiles en este sentido. El marco conceptual que sustenta dplyr se llama “Gramática de la manipulación de datos”. A continuación revisaremos diferentes funciones para filtrar, resumir y combinar diferentes tablas.

Code 
# cargar el paquete dplyr
library(dplyr)

Filtro de datos

Empecemos por explorar los datos para una región. Para ello, podemos utilizar la función filter, filtrando los datos de Risaralda, Quindío, Caldas y Tolima.

Code 
dat_nevados <- dplyr::filter(dat_sp1, stateProvince == c("Risaralda", "Quindío", "Caldas", "Tolima")) 

head(dat_nevados)

También es posible que deseemos seleccionar solamente algunas columnas de nuestro conjunto de datos. Podemos hacer esto fácilmente con las herramientas de indexación de dataframes de R. En nuestro caso selecionaremos las columnas que son de nuestro interes.

Code 
# get the columns that matter for mapping and cleaning the occurrence data:
sp1_coords <- gbif_data_sp1$data[ , c("scientificName", "decimalLongitude", "decimalLatitude", "individualCount", "occurrenceStatus", "coordinateUncertaintyInMeters", "institutionCode", "references")]

head(sp1_coords)

Combinación de tablas

Nuestra tabla de registros tiene información específica sobre las localidades de una sola especie. Con el fin de entender como combinar tablas descargaremos los datos de otra especie. En este caso el Oso Andino (Tremarctos ornatus).

Oso andino

Tenga en cuenta que se requiere conexión a internet y que podemos estar descargando muchos datos desde GBIF, así que este paso puede tardar unos segundos…

Code 
species2 <- c("Tremarctos ornatus")
# download GBIF occurrence data for this species; this takes time if there are many data points!
gbif_data_sp2 <- occ_data(scientificName = species2, hasCoordinate = TRUE, limit = 20000)
# save to table
dat_sp2 <- gbif_data_sp2$data

El paquete dplyr proporciona un conjunto útil de funciones para unir tablas que tienen columnas en común. Escriba ?full_join en su consola y obtendrá una lista de todos los tipos de unión que admite dplyr.

Hoy usaremos full_join para unir los registros de dos especies en una sola tabla. La función full_join permite mantener las filas que no coinciden también). Otras funcionalidades de join se ven en la version ampliada de este curso.

Code 
dat_oso_danta  <- full_join(x = dat_sp2, y = dat_sp1)

Visualización de datos

A menudo, es más fácil explorar datos mediante el uso de gráficos. R tiene buenos paquetes para realizar gráficos y visualizar datos. Hoy usaremos el paquete ggplot2.

Code 
library(ggplot2)

Primero, vamos a generar un histograma para revisar la distribución de los registos por año. Por ahora no nos preocuparemos demasiado por la estética de la gráfica.

Code 
ggplot(dat_oso_danta) + 
  aes(x = year) + 
  geom_histogram()
`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

El componente ggplot(dat_input) determina la tabla de datos de la cual obtendremos las variables. Esta función también crea la página para el gráfico. El componente aes() hace referencia a la estética del gráfico, y aquí lo usamos para declarar que el eje x que corresponde a el año. Luego geom_histogram() declara el tipo de gráfico que se utilizará. En este caso se refiere al histograma.

Inténtelo de nuevo, pero esta vez añada un color para cada especie.

Code 
ggplot(dat_oso_danta) + 
  aes(x = year, fill = scientificName) +
  geom_histogram()
`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Vamos a graficar de nuevo los puntos de acuerdo a la especie. Para ello, incluya el argumento “color = scientificName” dentro de aes(). Observe que podemos ver que hay unos puntos que se comportan como outliers y debemos eliminarlos.

Code 
ggplot(dat_oso_danta) + 
  aes(x = decimalLongitude, y = decimalLatitude, color = scientificName) +
  geom_point()

Vamos a filtrar las dos especies de interes con la función filter()

Code 
dat_oso_danta_filtrado <- dat_oso_danta %>% 
  filter(scientificName %in% c("Tremarctos ornatus (F.G.Cuvier, 1825)", "Tapirus pinchaque (Roulin, 1829)")) %>%
  filter(decimalLatitude <= 20 & decimalLatitude >= -20)

En este caso, el operador %in% verifica cuáles elementos de la columna scientificName corresponden a las dos especies evaluadas. Es decir sirve para filtrar usando un vector. Observe que primero filtramos por las especies y luego por las coordenadas. Para ejecutar varios pasos como los anteriores, uno despues del otro podemos usar la función pipe %>%, la cual permite utilizar el resultado de un paso como el primer argumento del siguiente.

Veamos como queda

Code 
ggplot(dat_oso_danta_filtrado) + 
  aes(x = decimalLongitude, y = decimalLatitude, color = scientificName) +
  geom_point()

Agrupación y resumen de datos

Presentar los datos en forma de gráficos es importante, pero ver los números concretos también puede ser útil. Supongamos que queremos identificar la elevación promedio y la desviación estándar a la que han sido recolectados los registros, así como el número de registros por departamento.

Para hacer esto, vamos a agrupar los datos con la función group_by seguida de summarize para obtener las estadísticas en cada departamento.

Code 
datg <- group_by(dat_oso_danta_filtrado, stateProvince)

group_by() toma una tabla existente y la convierte en una tabla agrupada donde las operaciones se realizan “por grupo”. Revise el objeto datg y verá que los datos en sí mismos no han cambiado. Sin embargo, los datos están agrupados en 31 departamentos.

Ahora podemos utilizar esa tabla para resumir los datos con algunas estadísticas deseadas

Code 
dat_elev_sum <- 
    summarize(datg,
              mean_elev = mean(elevation, na.rm=T),
              sd_elev = sd(elevation, na.rm=T),
              n = n())

dat_elev_sum
# A tibble: 68 × 4
   stateProvince mean_elev sd_elev     n
   <chr>             <dbl>   <dbl> <int>
 1 Amazonas           NaN      NA     96
 2 Ancash             NaN      NA     18
 3 Antioquia         2062.    713.    30
 4 Apurimac           NaN      NA     20
 5 Ayacucho           NaN      NA      5
 6 Azuay              NaN      NA      2
 7 Bogotá, D.C.      2794      NA      1
 8 Bolívar           1106.      0      3
 9 Boyacá            2188.   1085.    69
10 CaJamarca          NaN      NA      1
# ℹ 58 more rows

Recuerde que para ejecutar varios pasos, podemos usar la función %>%, la cual permite utilizar el resultado de una función como el primer argumento del siguiente. Por ejemplo, estas líneas de código hacen lo mismo:

Code 
group_by(dat_oso_danta_filtrado, stateProvince)
#es lo mismo que
dat_oso_danta_filtrado %>% group_by(., stateProvince)

Las función %>% es muy útil para encadenar operaciones de varios pasos en tablas, lo que hace que nuestro código sea aún más fácil de entender y leer.

Aquí calculamos la desviación estándar y media de la elevación para cada departamento, así como el número de filas (registros) n () para cada departamento, pero antes hemos agrupado por especie.

Code 
dat_elev_sum <- 
  dat_oso_danta_filtrado %>% 
  group_by(scientificName) %>%
  summarize(mean_elev  = mean(elevation, na.rm=T),
            sd_elev = sd(elevation, na.rm=T),
            n = n())

Ahora vamos a graficar la media y la desviación estándar de la elevación por especie:

Code 
dat_oso_danta_filtrado %>% 
  group_by(scientificName) %>%
  summarize(mean_elev  = mean(elevation, na.rm=T),
            sd_elev = sd(elevation, na.rm=T),
            n = n()) %>%
  ungroup() %>%
  ggplot(aes(x = scientificName, y = mean_elev)) +
  geom_linerange(aes(ymin = mean_elev - sd_elev, ymax = mean_elev + sd_elev)) +
  geom_point()

Creación de plots para publicaciones

Supongamos que ahora queremos visualizar la distribución de registros a través del tiempo. Además, queremos ver la incidencia de diferentes técnicas de muestreo en el registro de especies. En primer lugar, necesitamos contar los registros por año.

Ejercicio

Utilice las funciones group_by, summarize y filter para contar los registros de cada especie por año desde 1950 por cada técnica de muestreo (basisOfRecord)

Code 
dat_per_year<-dat_oso_danta_filtrado %>% 
                group_by(year,basisOfRecord) %>%
                summarize(n = n()) %>%
                filter(year > 1949)

Ahora podemos graficar los datos agrupando por técnica de muestro

Code 
p1<-ggplot(dat_per_year, aes(x=year, y=n,color = basisOfRecord)) +
    geom_line(linewidth = 1) 
p1

Añadir una línea en que muestre el año con más registros

Code 
p2<-p1 +
  geom_vline(xintercept = 2016,colour="black", linetype = "longdash") 
p2

La función anotate() nos permite añadir texto en ubicaciones específicas de nuestro gráfico

Code 
p3<-p2 +
  annotate("text", label = "2016", x = 2017, y = 1300, size = 4, colour = "black")
p3

Finalmente, podemos cambiar el tamaño del texto de los ejes

Code 
e1<-p3 +
  theme_bw()+
  theme(legend.position = "right",
        legend.title = element_blank(),
        legend.text = element_text(size = 14),
        text = element_text(size = 14),
        axis.text.x = element_text(size = 12),
        axis.text.y = element_text(size = 12))+
    ylab("# registros")+ xlab("año")+
  ggtitle("Número de registros de danta y oso")
e1

Citacion adecuada de los datos

Tenga en cuenta que es una buena practica citar correctamente los datos que se descargan de GBIF.

Code 
# get the DOIs for citing these data properly:

gbif_citation(gbif_data_sp1) # para la danta

gbif_citation(gbif_data_sp2) # para la el oso

# nota: si necesita o prefiere solo un DOI para todo el conjunto de datos, descargue el conjunto de datos directamente desde www.gbif.org y luego importe el .csv a R. ¡Es muy importante citar correctamente las fuentes de datos! GBIF no es una fuente, sólo un depósito para muchas personas que trabajaron muy duro para recopilar estos datos y ponerlos a disposición.

¡Hemos llegado al final de la mañana! Los conceptos aprendidos el día de hoy serán fundamentales para sacar el mayor provecho en la tarde. Es hora de Almorzar :)

Citation

BibTeX citation:
@online{j. lizcano2024,
  author = {J. Lizcano, Diego and Felipe Suárez-Castro, Andres},
  title = {Introducción Al Procesamiento, Visualización y Análisis de
    Datos Espaciales En {R}},
  date = {2024-04-12},
  url = {https://dlizcano.github.io/spatialdata_lite/},
  langid = {en}
}
For attribution, please cite this work as:
J. Lizcano, Diego, and Andres Felipe Suárez-Castro. 2024. “Introducción Al Procesamiento, Visualización y Análisis de Datos Espaciales En R.” April 12, 2024. https://dlizcano.github.io/spatialdata_lite/.