-
Notifications
You must be signed in to change notification settings - Fork 5
/
Copy paththemMapStudyRegion.Rmd
234 lines (181 loc) · 9.82 KB
/
themMapStudyRegion.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
---
title: "Mapa temático da região de estudo"
subtitle: <p align="left"><sup><strong>Incluindo a localização das estações meteorológicas. </a></strong></sup></p>
author: "Jonatan Tatsch - UFSM"
date: '`r Sys.Date()`'
output:
html_notebook:
toc: yes
html_document:
toc: yes
---
# Introdução
A caracterização da região de estudo e das estações meteorológicas (EM) empregadas em pesquisas ou aplicações de meteorologia (ou áreas afins) é imprescindível para o melhor entendimento e interpretação dos resultados de uma análise observacional. Neste tutorial demonstra-se como produzir um mapa temático da região de estudo incluindo a localização das EM (que proveram os dados utilizados na pesquisa ou trabalho) e um atributo associado as EM (e.g. a temperatura média do ar climatológica da EM).
O mapa temático permitirá a visualização de informações relativas a:
- localização das EM
- delimitação dos estados brasileiros
- altitude do terreno
- algum atributo associado as EM
# Pré-requisitos
Pacotes e funções necessárias.
```{r setup, warning=FALSE, message=FALSE}
## para instalar um pacote use
# install.packages("raster")
## limpando espaço de trabalho
rm(list = ls())
library(devtools)
## função load_pcks
source_url("https://gist.githubusercontent.com/lhmet/100f232d793933ba5a191e194a9ed9b2/raw/ecf23482b18609610738a07497922c4d3ceec28c/load_pcks.R")
## pacotes requeridos
pcks <- c("dplyr", "ggplot2","viridis", "lubridate", "scales", "raster",
"viridis", "ggrepel")
load_pcks(pcks)
#source_url('https://gist.githubusercontent.com/lhmet/9884cf0044806c6e3fccc7cc46d796d7/raw/ebd27dc73b47bea95fc65c6244e91658e38040ae/gg_bubble.R')
source("~/Dropbox/ufsm/orientacoes/iniciacaoCientifica/egressos/carolina/desagragacaoTemperatura/R/gg_bubble_v2.R")
options(stringsAsFactors = TRUE)
```
# Dados
## Delimitação dos estados brasileiros
A delimitação[^1] dos estados brasileiros pode ser obtida a partir de um arquivo [shapefile]() fornecido pelo [IBGE](ftp://geoftp.ibge.gov.br/) com os limites dos estados na escala de 1:250000. Abaixo mostra-se o procedimento para baixar e importar esses dados no R.
[^1]: A delimitação das regiões administrativas de qualquer país pode ser obtida através da função `getData()` do pacote raster que faz *download* da base de dados limites administrativos globais (GADM). Para obter os polígonos dos estados devemos definir o argumento `level = 1`. Esse argumento indica o nível de sub-divisão administrativa (level = 0 para o polígono do país, 1 para estados e 2 para municípios).
```{r}
limites2015 <- "ftp://geoftp.ibge.gov.br/cartas_e_mapas/bases_cartograficas_continuas/bc250/versao2015/Shapefile/Limites_v2015_20160809.zip"
# nome e caminho para o arquivo que será baixado, altere se necessário
(zip_file <- paste0("data/", basename(limites2015)))
```
```{r, eval = FALSE}
# baixando arquivo compactado
download.file(limites2015, destfile = zip_file)
```
```{r}
# diretório para descompactar
extract_dir <- gsub("\\.zip", "", zip_file)
extract_dir
# descompactando arquivo
unzip(zip_file, exdir = extract_dir)
# lista dos shapefiles contidos no arquivo compactado
shapefiles_list <- list.files(extract_dir,
pattern = "shp$",
recursive = TRUE,
full.names = TRUE)
shapefiles_list
```
Importando arquivo *shapefile* com delimitação dos estados.
```{r, fig.width=8, fig.height=8, fig.align='center' }
# nome do arquivo shapefile dos estados
br_states_file <- grep(x = shapefiles_list,
pattern = "Unidade_Federacao",
value = TRUE)
# importa shape
br_states <- shapefile(br_states_file)
# projeta para lonlat
br_states <- spTransform(br_states, CRSobj = CRS("+proj=longlat +ellps=WGS84"))
plot(br_states, axes = TRUE)
```
Para selecionar a delimitação de alguns estados podemos fazer o seguinte:
```{r}
sul <- br_states[br_states@data$NOME %in% c("Rio Grande do Sul", "Santa Catarina", "Paraná"), ]
```
Para uso dessa informação na função que gera o gráfico temático da região de estudo precisamos converter os dados armazenados na forma de um `SpatialGridDataFrame` para um `dataframe`, o que pode ser feito com a função `fortify()` do pacote [ggplot2](http://docs.ggplot2.org/current/).
```{r}
# 'fortificando' os dados (conversão para dataframe)
class(sul)
sul_df <- fortify(sul)
head(sul_df)
class(sul_df)
```
## Altitude do terreno
A altitude da região de interesse pode ser obtida através da função `getData()` do pacote `raster` que faz o *download* do modelo digital de elevação do terreno da base de dados do
```{r, eval = FALSE}
dem <- getData(name = "alt", download=TRUE, path = "data", country = "BRA")
dem
```
```{r, eval = TRUE, echo = FALSE, fig.width=8, fig.height=8, fig.align='center' }
# digital elevation model
dem <- raster("data/BRA_msk_alt.grd")
dem
res(dem) # ~900 m (1º ~100 km)
# substituindo alt < 0 por 0
dem[dem < 0] <- 0
plot(dem)
```
O objeto `dem` precisa ser convertido de `raster` para um `data.frame`, análogo ao que foi feito com a função `fortify()` no objeto `sul`, em que as colunas contém as coordenadas espaciais do `raster` `dem` (`lon` e `lat`) e os valores de altitude armazenados nas células do `dem`. Este `dataframe` é um dado de entrada da função criada para produção do mapa temático com a função `gg_bubble()`, mostrada a seguir.
```{r}
class(dem)
# extent(dem)
# minha_extent <- extent(-50, -40, -20, -10)
# plot(dem); plot(minha_extent, add = TRUE)
dem_sul <- crop(dem, sul)
# mascará para os estados
dem_sul <- mask(dem, sul)
#plot(dem_sul); plot(sul, add = TRUE)
dem_sul_df <- data.frame(lon = xFromCell(dem_sul, cell = 1:ncell(dem_sul)),
lat = yFromCell(dem_sul, cell = 1:ncell(dem_sul)),
alt = values(dem_sul))
#summary(dem_sul_df)
# removendo linhas de dados faltantes
dem_sul_df <- dem_sul_df[complete.cases(dem_sul_df), ]
head(dem_sul_df)
class(dem_sul_df)
```
Eventualmente a região de estudo pode cobrir mais de um país. Nesse caso precisaremos baixar os dados de altitude do terreno para outros países[^2] e juntá-los em um único raster. Esse procedimento é facilmente realizado com a função `mosaic()` do pacote `raster`. Veja `?mosaic` para mais detalhes.
[^2]: Repetimos a operação realizada com a função `getData()` alterando o argumento `country` conforme os países de interesse.
## Informações das EM
As informações das estações meteorológicas devem incluir as coordenadas `lon`, `lat` e algum atributo de interesse, como por exemplo, a disponibilidade de dados, a temperatura média do ar, etc.
Nesse exemplo usaremos um `dataframe` preparado previamente e salvo em arquivo rds[^3].
```{r, echo = TRUE}
info <- readRDS(file = "data/info_sumary_tair_sul.rds")
info
# estrutura dos dados
str(info)
# nome das variáveis do data.frame (tabela de dados)
names(info)
```
Os dados armazenados no arquivo RDS poderiam ser obtidos a partir de um arquivo texto contendo as informações das EM. Os dados dessa tabela poderiam ser importados como mostrado abaixo.
```{r, eval = FALSE}
info <- read.table(file = "mydata.txt",
header = FALSE, # dados tem cabeçalho TRUE/FALSE
sep = " ", # separador das colunas (",", "\t", " ")
na.strings = "-999.9") # string repreentando dados faltantes
# se os dados não tiverem cabeçalho (header = FALSE)
names(info) <- c("site", "tmax_med", "tmin_med", ...)
# salvando como RDS para importação mais rápida
saveRDS(info, "info_sumary_tair_sul.rds")
```
[^3]: arquivo de armazenamento de dados em formato binário utilizado pelo R.
# Mapa temático
Para demonstrar o uso a da função `gg_bubble()` faremos dois mapas temáticos. O primeiro representará a variação da média da temperatura mínima do ar para cada EM. No plano de fundo será mostrado a altitude do terreno, sobreposto pelo contorno dos estados.
```{r graf1, fig.width=8, fig.height=8, fig.align='center' }
# mapa da % de dados faltantes em cada EM
tmin_plot <- gg_bubble(data = info
#,type = c("gradient", "diverging")
,type = "gradient"
#,midpoint = 0
,z = "tmin_med"
#,breaks = pretty(c(info$BIAS, stat_site_mhdt$BIAS))
,raster_bg = dem_sul_df
,limites = sul_df
,colors_z = viridis::viridis
,colors_bg = gray.colors
,text_color = "gray30"
,text_size = 2
,z_legend = "Tmin"
,color_fill = "burlywood3"
,point_size = 3) # cor do texto para o identificador ("site") das estações
tmin_plot
```
No segundo mapa temático, alteramos o atributo das EM para o período de dados (em anos) de cada EM e não especificaremos os argumentos `raster_bg` e `colors_bg`. Pelo mapa resultante observa-se que os polígonos dos estados foram coloridos com uma mesma cor (definida pelo argumento `color_fill` com valor *default* `burlywood3`). O tamanho do *label* usado para indicar o código das EM foi aumentado para ilustrar o posicionamento otimizado dos *labels*.
```{r, fig.width=8, fig.height=8, fig.align='center' }
# para período de dados
period_plot <- gg_bubble(data = info
,z = "period"
,colors_z = viridis
,limites = sul_df
#,raster_bg = mdet_rs_df
#,colors_bg = gray.colors
,z_legend = "Período (anos)"
,text_color = "black"
,text_size = 4)
period_plot
```
Pronto! Agora você tem um mapa temático de alta qualidade para caracterização de sua região de estudo.