O R pode ser usado para fazer mapas!

Nessa aula vamos aprender algumas ferramentas básicas de representações espaciais.

Note

Essa não é minha área então considere apenas uma apresentação das ferramentas possíveis para serem exploradas independentemente!!

maps e ggmap

Podemos plotar mapas de maneira bem simples utilizando o pacote ggmap que segue a mesma estrutura do ggplot2, então todas as opções de customização que já aprendemos podem ser aplicadas

É necessário carregar (instalar previamente, caso não tenha na biblioteca) esses pacotes:

library(ggmap)
library(maps)
library(tidyverse)

Mapa do mundo

Para gerar um mapa do mundo é BEM simples: basta chamar os dados “world” com a função map_data do ggplot2.

mundo <- map_data("world")

ggplot(mundo, aes(x=long, y=lat, group=group))+
  geom_polygon(fill="lightgray", colour = "black")

Figura 1. Mapa do Mundo com ggplot2 e geom_polygon

ggplot()+
  geom_map(data=mundo, map=mundo, aes(x=long, y=lat, map_id=region))

Figura 2. Mapa do Mundo com ggplot2 e geom_map

Também podemos usar a camada borders do pacote ggmap.

ggplot()+ borders("world", fill = "grey70", colour = "black")+
  coord_quickmap()

Figura 3. Mapa do Mundo simples com ggmap

Região delimitada do mapa mundial

Para selecionar determinada região do mapa mundial, podemos usar alguns recursos:

Limitar as dimensões para a região desejada

No caso, estou colocando um ponto vermelho onde fica a cidade de Curitiba e tentando limitar apenas para mostrar o Brasil

Warning

Note que com xlim e ylim como camada não fica bom.

ggplot()+ borders("world", fill = "grey70", colour = "black")+
  xlim (-100,-20)+ ylim(-45,10)+
  geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) +
  theme(legend.position='none')

Figura 4. Mapa do Brasil destacando a cidade de Curitiba com as projeções desconfiguradas

Warning

Também continua desconfigurado com os limites inseridos na camada principal

ggplot()+ borders("world", fill = "grey70", colour = "black",  xlim= c(-100,-20), ylim=c(-45,10))+
  geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) +
  theme(legend.position='none')

Figura 5. Mapa do Brasil destacando a cidade de Curitiba com as projeções ainda desconfiguradas

Tip

É necessário utilizar o xlim e ylim no parâmetro coord_fixed() para ficar certo.

ggplot()+ borders("world", fill = "grey70", colour = "black")+
  geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + 
  coord_fixed(xlim= c(-100,-20), ylim=c(-45,10))+
  theme(legend.position='none')

Figura 6. Mapa do Brasil destacando a cidade de Curitiba com as projeções corretas

Região delimitada com map_data do ggplot2

ggplot(mundo, aes(x=long, y=lat, group=group))+
  geom_polygon(fill="lightgray", colour = "black")+
  geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + 
  coord_fixed(xlim= c(-100,-30), ylim=c(-45,10))

Figura 7. Mapa do Brasil destacando a cidade de Curitiba com o ggplot2

Determinar pelo nome da região desejada, utilizando o parâmetro regions

Tip

Da mesma forma, a projeção só fica boa de verdade com coord_fixed() ou coord_quickmap()

ggplot()+ borders("world",regions = "Brazil", fill = "grey70", colour = "black")+
  geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) +
  theme(legend.position='none')

Figura 8. Mapa do Brasil destacando a cidade de Curitiba utilizado regions com as projeções desconfiguradas

ggplot()+ borders("world",regions = "Brazil", fill = "grey70", colour = "black")+
  geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) +
  coord_fixed()+
  theme(legend.position='none')

Figura 9. Mapa do Brasil destacando a cidade de Curitiba utilizado regions com as projeções corretas

Várias regiões

sa=c("Brazil", "Argentina", "Chile", "Uruguay", "Paraguay", "Ecuador", "Peru", "Venezuela",
    "Colombia", "Bolivia", "French Guiana", "Surinam", "Guyana")

mapa_sa<-map_data("world", region=sa) 

ggplot(mapa_sa, aes(x=long, y=lat, group=group, fill= region))+
  geom_polygon()+
  geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) +
  coord_fixed()

Figura 10. Mapa dos países da América do Sul destacando a cidade de Curitiba utilizado regions com as projeções corretas

Incluir pontos de um dataset

No dataset deve ter especificado os valores de latitude e longitude.

feederwatch <- readr::read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2023/2023-01-10/PFW_2021_public.csv')

ggplot()+ borders("world", fill = "grey70", colour = "black")+
  geom_point(aes(x=feederwatch$longitude, y=feederwatch$latitude), color="red", alpha=0.5)+
  coord_fixed()

Figura 11. Mapa dos mundo com a localização dos pássaros observados em alimentadores

Cortando para região

ggplot()+ borders("world", fill = "grey70", colour = "black")+
  geom_point(aes(x=feederwatch$longitude, y=feederwatch$latitude), color="red", alpha=0.5)+
  coord_fixed(xlim= c(-170,-50), ylim=c(10,75))

Figura 12. Mapa recortado com a localização dos pássaros observados em alimentadores

Adicionar a camada geom_map() é melhor para fazer várias camadas de gráficos, usando todos os recursos do ggplot

ggplot(data=feederwatch, aes(x=longitude, y=latitude))+
  geom_map(data=mundo, map=mundo, aes(x=long, y=lat, map_id=region), fill="lightgray", color="black")+
  geom_point(aes(longitude, y=latitude, color=as.factor(Year)), alpha=0.5)+
  coord_fixed(xlim= c(-170,-50), ylim=c(10,75))+
  facet_wrap(~Year)

Figura 13. Mapa recortado com a localização dos pássaros observados em 2020 e 2021 em alimentadores

Utilizando o pacote rgbif (acesso ao banco de dados da GBIF)

GBIF: Global Biodiversity Information Facility

Carregar o pacote
Definir a espécie que você quer dando nome científico
Escolher dados apenas que possuam coordinadas (hasCoordinate=T)
Pode-se limitar a região por latitude ou longitude ou nomeando o pais pela sigla internacional com 2 letras
Transformar os dados importados em data frame usando a função as.data.frame()

Ocorrência de Puma concolor para qualquer lugar do mundo

Tip

Limitei com o parâmetro limit para 500 observações senão demora muito pra carregar

library(rgbif)

ocorrencia<-occ_search(scientificName="Puma concolor", hasCoordinate=T, limit=500)

names(ocorrencia)

[1] "meta"            "hierarchy"       "data"            "media"          
[5] "classifications" "facets"

localizacao <- as.data.frame(ocorrencia$data) %>% select(3:4) %>% 
  rename(Lat = decimalLatitude, Long=decimalLongitude)

head(localizacao)

         Lat       Long
1 -32.860347  -61.97745
2  26.095219  -81.45140
3  25.982568 -100.88071
4  51.193026 -115.19125
5  25.982535 -100.88062
6   8.663483  -83.25675

Ocorrência de Puma concolor para o Brasil apenas

ocorrencia.br<-occ_search(scientificName="Puma concolor", country="BR", hasCoordinate=T)

localizacao.br <- as.data.frame(ocorrencia.br$data)%>% select(3:4) %>% rename(Lat = decimalLatitude, Long=decimalLongitude)

Agora vamos inserir os pontos de ocorrência num mapa. Podemos usar o borders() como ensinado, ou google maps, ou o que preferir!

ggplot() + borders("world", colour="grey", fill="lightgray") + theme_bw() + geom_point(aes(x=Long,y=Lat),data=localizacao,colour="gold",size=2,alpha=0.1)

Figura 14. Ocorrência de Puma concolor no mundo

ggplot() + borders("world", colour="grey", fill="lightgray") + theme_bw() + geom_point(aes(x=Long,y=Lat),data=localizacao,colour="gold",size=2,alpha=0.1) + coord_fixed(xlim=c(-150,-20)) #ficando na América apenas

Figura 15. Ocorrência de Puma concolor no Brasil

Para ajustar exatamente as medidas do mapa com a distribuição podemos gerar um vetor para restringir as coordenadas, baseado na distribuição máxima e mínima da espécie:

distribuicao<-c(min(localizacao$Long,na.rm=T)-1,
            min(localizacao$Lat,na.rm=T)-1,
            max(localizacao$Long,na.rm=T)+1,
            max(localizacao$Lat,na.rm=T)+1)

ggplot() + borders("world", colour="grey", fill="lightgray") + 
  theme_bw() +
  geom_point(aes(x=Long,y=Lat),data=localizacao,colour="black",size=2,alpha=0.1)+
  coord_fixed(xlim=distribuicao[c(1,3)], ylim=distribuicao[c(2,4)])

Figura 16. Mapa recortado para otimizar os locais de ocorrência de onça parda

Pacotes para dados geográficos

Alguns pacotes são bem úteis para baixar dados geográficos diretamente, e vamos conhecer alguns deles que possam ter utilidade na área de ecologia

Pacote geobr

Com vários dados oficiais para o Brasil!

library(geobr)  

datasets <- list_geobr() 
View(datasets)

Vamos criar um shapefile com os municípios do estado do Paraná e plotar usando a função geom_sf do ggplot.

muni_PR <- read_municipality(code_muni = "PR", 
  year=2020, showProgress = FALSE)

class(muni_PR)

[1] "sf"         "data.frame"

ggplot() +
  geom_sf(data=muni_PR, fill="lightgrey", color="black", show.legend = FALSE) +
  theme_minimal()

Figura 17. Municípios do estado do Paraná, Brasil

Também é possivel obter os limites dos biomas com geom_br

biomas <- read_biomes(year=2019, showProgress = FALSE)
head(biomas)

Simple feature collection with 6 features and 3 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -73.98304 ymin: -33.75115 xmax: -28.84785 ymax: 5.269581
Geodetic CRS:  SIRGAS 2000
      name_biome code_biome year                           geom
1       Amazônia          1 2019 MULTIPOLYGON (((-44.08515 -...
2       Caatinga          2 2019 MULTIPOLYGON (((-41.7408 -2...
3        Cerrado          3 2019 MULTIPOLYGON (((-43.39009 -...
4 Mata Atlântica          4 2019 MULTIPOLYGON (((-48.70814 -...
5          Pampa          5 2019 MULTIPOLYGON (((-52.82472 -...
6       Pantanal          6 2019 MULTIPOLYGON (((-57.75946 -...

ggplot() +
  geom_sf(data=biomas,  color="black", aes(fill=name_biome)) +
  theme_minimal()

Para tirar o sistema costeiro

ggplot() +
  geom_sf(data= slice(biomas,-7),  color="black", aes(fill=name_biome)) +
  theme_minimal()

Figura 19. Biomas do Brasil sem o sistema costeiro

Pacote mapview

Muito legal para fazer mapas interativos! Não necessariamente para publicações, mas talvez apresentações e visualizações diversas.

library(mapview)

# mapview(biomas, zcol = "name_biome")

# mapview(muni_PR, zcol = "name_muni")

Customização de mapas

Agora vamos aprender a deixar os mapas com qualidade para publicação! Alguns requisitos são essenciais nessa etapa:

Todo mapa DEVE conter uma barra de escala!
Todo mapa deve conter também a orientação (apontando para o norte)
Interessante prestar bastante atenção nas cores
Não representar países que não são ilhas isoladamente!!

ggplot() +
  geom_sf(data= slice(biomas,-7),  aes(fill=name_biome, alpha=0.7)) +
  theme_minimal()+
  scale_fill_manual(values = terrain.colors(7))

Agora do jeito correto, usaremos o pacote ggspatial para inserir o símbolo apontando para o norte e a escala ao mapa (funções annotation_north_arrow e annotation_scale respectivamente).

library(ggspatial)

Tip

Para verificar os diferentes estilos de seta, checar os [exemplos]https://paleolimbot.github.io/ggspatial/reference/north_arrow_orienteering.html

Figura final

ggplot()+ borders("world", fill = "lightgray", colour = "gray")+
  geom_sf(data= slice(biomas,-7),  aes(fill=name_biome, alpha=0.7)) +
  scale_fill_manual(values = terrain.colors(7))+
  coord_sf(xlim= c(-80,-30), ylim=c(-40,10))+
  theme(legend.position = c(0.8,0.9), legend.background = element_blank(), legend.text=element_text(size=10),
        legend.title = element_blank(),
        legend.key.size = unit(0.4, "cm"),
        panel.grid.major = element_line(color = "darkgray", linetype = "dashed", size = 0.5), 
        panel.background = element_rect(fill = "aliceblue"),
        axis.title = element_blank())+
  guides(fill = guide_legend(nrow = 3), alpha= "none")+
  annotation_north_arrow(location="br", style=north_arrow_nautical, pad_x =  unit(2, "cm"), pad_y = unit(2, "cm"))+
  annotation_scale(location = "tl")

Figura 24. Mapa dos Biomas do Brasil final

Mapas a partir de shapefiles

Shapefiles (.shp) podem ser encontrados em diversos banco de dados na internet. Alguns comumente utilizados no Brasil são o do IBGE, INPE, ANA e diversos sites do governo. Para dados internacionais, temos vários disponíveis gratuitamente

> confira uma tabela nesse link: https://www.oryxthejournal.org/writing-for-conservation-guide/map-with-a-message.html#tab:data-sources

Pacote terra como subtituto do finado raster

Muito conteúdo BEM completo no site deles https://rspatial.org/pkg/index.html

Vários dados disponíveis no site do INPE http://www.dpi.inpe.br/Ambdata/download.php

Outra opção (que eu achei bem mais pesada) é usar o pacote geodata Útil para dados globais de clima (wordclim), elevação, uso da terra, solo, ocorrência de espécies pelo gbif, limites administrativos, etc.

Opções para dados globais (função worldclim_global), por país (worldclim_country) ou para determinada latitude e longitude (worldclim_tile)

library(geodata)

clim_brasil <- worldclim_country(country= “BR”, var=“bio”, res=10, download=T, path= tempdir(), version = “2.1”)

Vamos baixar apenas a bio1 - Temperatura média pra ir mais rápido, mas se for baixar todas vai vir num arquivo .zip e será nescessário unzip na sua pasta de destino para utilizar.

# download.file("http://www.dpi.inpe.br/amb_data/Brasil/bio1_br.asc", destfile="bio1_br.asc")

library(terra)
temp <- rast('/bio1_br.asc')
class(temp)
plot(temp)

Para plotar com ggmap precisa transformar em dataframe

Tip

Para saber as unidades e quais são as variáveis verificar em https://www.worldclim.org/

temp_df <- as.data.frame(temp, xy=T)

ggplot() +
  geom_tile(data = temp_df, 
              aes(x = x, y = y, fill = bio1_br/10))+ #unidade do worldclim é oC*10
  theme_bw()

Agora se a gente quiser só para alguma localização específica,temos que editar o arquivo. Para isso temos a função crop

ext <- c(-50,-40, -25,-20) # Para alguma localização específica
temp_x <- crop(temp, ext)
plot(temp_x)

Para o Paraná vamos usar o shape do geobr para cortar o raster no tamanho certo

estado_PR <- read_state(code_state = "PR", 
  year=2020, 
  showProgress = FALSE)

ggplot() +
  geom_sf(data=estado_PR, fill="lightgrey", color="black", show.legend = FALSE) +
  theme_minimal()

temp_pr <- crop(temp, estado_PR)
temp_pr_df <- as.data.frame(temp_pr, xy=T)

ggplot() +
  geom_tile(data=temp_pr_df, aes(x,y, fill=bio1_br/10))+
  theme_minimal()+
  coord_equal()

Tip

Atenção para customizações de escala!!! O resultado do seu mapa depende muito disso!

ggplot()+
  geom_tile(data=temp_pr_df, aes(x,y, fill=bio1_br/10))+
  scale_fill_gradient2(na.value="white", low= "steelblue3", mid="gray94", high="brown3", limits=c(10, 29), midpoint = 18, breaks = c(10, 15,20, 25))+  
  geom_sf(data=estado_PR, fill=NA, color="black", show.legend = FALSE) +
  theme(axis.text = element_blank(), axis.ticks = element_blank(),
        axis.title = element_blank(), panel.background = element_blank())

Alguns sites/livros úteis para aprofundar em R espacial

https://www.ecologi.st/spatial-r/

https://tmieno2.github.io/R-as-GIS-for-Economists/

https://damariszurell.github.io/EEC-MGC/a1_SpatialData.html

https://rspatial.org/terra/spatial/Spatialdata.pdf

https://cran.r-project.org/doc/contrib/intro-spatial-rl.pdf

CHEGAAAAAAAA SOCORROOOO

--- title: "Aula 5 - Mapas" subtitle: "Ferramentas básicas para representação espacial no R" author: "Marina C Scalon" date: "05/25/2023" title-block-banner: true format: html: code-link: true code-tools: true theme: minty toc: true execute: warning: false --- ### O R pode ser usado para fazer mapas! Nessa aula vamos aprender algumas ferramentas básicas de representações espaciais. ::: callout-note Essa não é minha área então considere apenas uma apresentação das ferramentas possíveis para serem exploradas independentemente!! ::: # maps e ggmap Podemos plotar mapas de maneira bem simples utilizando o pacote ggmap que segue a mesma estrutura do ggplot2, então todas as opções de customização que já aprendemos podem ser aplicadas É necessário carregar (instalar previamente, caso não tenha na biblioteca) esses pacotes: ```{r} #| warning: false library(ggmap) library(maps) library(tidyverse) ``` ### Mapa do mundo Para gerar um mapa do mundo é BEM simples: basta chamar os dados "world" com a função **map_data** do ggplot2. ```{r} #| fig-cap: "Figura 1. Mapa do Mundo com ggplot2 e geom_polygon" mundo <- map_data("world") ggplot(mundo, aes(x=long, y=lat, group=group))+ geom_polygon(fill="lightgray", colour = "black") ``` ```{r} #| fig-cap: "Figura 2. Mapa do Mundo com ggplot2 e geom_map" ggplot()+ geom_map(data=mundo, map=mundo, aes(x=long, y=lat, map_id=region)) ``` Também podemos usar a camada borders do pacote ggmap. ```{r, width = 10, height=5} #| fig-cap: "Figura 3. Mapa do Mundo simples com ggmap" ggplot()+ borders("world", fill = "grey70", colour = "black")+ coord_quickmap() ``` ### Região delimitada do mapa mundial Para selecionar determinada região do mapa mundial, podemos usar alguns recursos: #### Limitar as dimensões para a região desejada No caso, estou colocando um ponto vermelho onde fica a cidade de Curitiba e tentando limitar apenas para mostrar o Brasil ::: {.callout-warning} Note que com xlim e ylim como camada não fica bom. ::: ```{r} #| fig-cap: "Figura 4. Mapa do Brasil destacando a cidade de Curitiba com as projeções desconfiguradas" ggplot()+ borders("world", fill = "grey70", colour = "black")+ xlim (-100,-20)+ ylim(-45,10)+ geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + theme(legend.position='none') ``` ::: {.callout-warning} Também continua desconfigurado com os limites inseridos na camada principal ::: ```{r} #| fig-cap: "Figura 5. Mapa do Brasil destacando a cidade de Curitiba com as projeções ainda desconfiguradas" ggplot()+ borders("world", fill = "grey70", colour = "black", xlim= c(-100,-20), ylim=c(-45,10))+ geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + theme(legend.position='none') ``` ::: {.callout-tip} É necessário utilizar o xlim e ylim no parâmetro coord_fixed() para ficar certo. ::: ```{r} #| fig-cap: "Figura 6. Mapa do Brasil destacando a cidade de Curitiba com as projeções corretas" ggplot()+ borders("world", fill = "grey70", colour = "black")+ geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + coord_fixed(xlim= c(-100,-20), ylim=c(-45,10))+ theme(legend.position='none') ``` ### Região delimitada com map_data do ggplot2 ```{r} #| fig-cap: "Figura 7. Mapa do Brasil destacando a cidade de Curitiba com o ggplot2" ggplot(mundo, aes(x=long, y=lat, group=group))+ geom_polygon(fill="lightgray", colour = "black")+ geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + coord_fixed(xlim= c(-100,-30), ylim=c(-45,10)) ``` #### Determinar pelo nome da região desejada, utilizando o parâmetro **regions** ::: {.callout-tip} Da mesma forma, a projeção só fica boa de verdade com coord_fixed() ou coord_quickmap() ::: ```{r} #| fig-cap: "Figura 8. Mapa do Brasil destacando a cidade de Curitiba utilizado regions com as projeções desconfiguradas" ggplot()+ borders("world",regions = "Brazil", fill = "grey70", colour = "black")+ geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + theme(legend.position='none') ``` ```{r} #| fig-cap: "Figura 9. Mapa do Brasil destacando a cidade de Curitiba utilizado regions com as projeções corretas" ggplot()+ borders("world",regions = "Brazil", fill = "grey70", colour = "black")+ geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + coord_fixed()+ theme(legend.position='none') ``` ### Várias regiões ```{r} #| fig-cap: "Figura 10. Mapa dos países da América do Sul destacando a cidade de Curitiba utilizado regions com as projeções corretas" sa=c("Brazil", "Argentina", "Chile", "Uruguay", "Paraguay", "Ecuador", "Peru", "Venezuela", "Colombia", "Bolivia", "French Guiana", "Surinam", "Guyana") mapa_sa<-map_data("world", region=sa) ggplot(mapa_sa, aes(x=long, y=lat, group=group, fill= region))+ geom_polygon()+ geom_point(aes(x=-49.3044, y=-25.4809, colour = "red")) + coord_fixed() ``` ### Incluir pontos de um dataset No dataset deve ter especificado os valores de latitude e longitude. ```{r} #| fig-cap: "Figura 11. Mapa dos mundo com a localização dos pássaros observados em alimentadores" feederwatch <- readr::read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2023/2023-01-10/PFW_2021_public.csv') ggplot()+ borders("world", fill = "grey70", colour = "black")+ geom_point(aes(x=feederwatch$longitude, y=feederwatch$latitude), color="red", alpha=0.5)+ coord_fixed() ``` Cortando para região ```{r} #| fig-cap: "Figura 12. Mapa recortado com a localização dos pássaros observados em alimentadores" ggplot()+ borders("world", fill = "grey70", colour = "black")+ geom_point(aes(x=feederwatch$longitude, y=feederwatch$latitude), color="red", alpha=0.5)+ coord_fixed(xlim= c(-170,-50), ylim=c(10,75)) ``` Adicionar a camada geom_map() é melhor para fazer várias camadas de gráficos, usando todos os recursos do ggplot ```{r} #| fig-cap: "Figura 13. Mapa recortado com a localização dos pássaros observados em 2020 e 2021 em alimentadores" ggplot(data=feederwatch, aes(x=longitude, y=latitude))+ geom_map(data=mundo, map=mundo, aes(x=long, y=lat, map_id=region), fill="lightgray", color="black")+ geom_point(aes(longitude, y=latitude, color=as.factor(Year)), alpha=0.5)+ coord_fixed(xlim= c(-170,-50), ylim=c(10,75))+ facet_wrap(~Year) ``` ## Utilizando o pacote rgbif (acesso ao banco de dados da GBIF) GBIF: Global Biodiversity Information Facility 1. Carregar o pacote 2. Definir a espécie que você quer dando nome científico 3. Escolher dados apenas que possuam coordinadas (hasCoordinate=T) 4. Pode-se limitar a região por latitude ou longitude ou nomeando o pais pela sigla internacional com 2 letras 5. Transformar os dados importados em data frame usando a função as.data.frame() #### Ocorrência de *Puma concolor* para qualquer lugar do mundo ::: {.callout-tip} Limitei com o parâmetro **limit** para 500 observações senão demora muito pra carregar ::: ```{r} library(rgbif) ocorrencia<-occ_search(scientificName="Puma concolor", hasCoordinate=T, limit=500) names(ocorrencia) localizacao <- as.data.frame(ocorrencia$data) %>% select(3:4) %>% rename(Lat = decimalLatitude, Long=decimalLongitude) head(localizacao) ``` #### Ocorrência de *Puma concolor* para o Brasil apenas ```{r} ocorrencia.br<-occ_search(scientificName="Puma concolor", country="BR", hasCoordinate=T) localizacao.br <- as.data.frame(ocorrencia.br$data)%>% select(3:4) %>% rename(Lat = decimalLatitude, Long=decimalLongitude) ``` Agora vamos inserir os pontos de ocorrência num mapa. Podemos usar o **borders()** como ensinado, ou google maps, ou o que preferir! ```{r} #| fig-cap: "Figura 14. Ocorrência de Puma concolor no mundo" ggplot() + borders("world", colour="grey", fill="lightgray") + theme_bw() + geom_point(aes(x=Long,y=Lat),data=localizacao,colour="gold",size=2,alpha=0.1) ``` ```{r} #| fig-cap: "Figura 15. Ocorrência de Puma concolor no Brasil" ggplot() + borders("world", colour="grey", fill="lightgray") + theme_bw() + geom_point(aes(x=Long,y=Lat),data=localizacao,colour="gold",size=2,alpha=0.1) + coord_fixed(xlim=c(-150,-20)) #ficando na América apenas ``` Para ajustar exatamente as medidas do mapa com a distribuição podemos gerar um vetor para restringir as coordenadas, baseado na distribuição máxima e mínima da espécie: ```{r} #| fig-cap: "Figura 16. Mapa recortado para otimizar os locais de ocorrência de onça parda" distribuicao<-c(min(localizacao$Long,na.rm=T)-1, min(localizacao$Lat,na.rm=T)-1, max(localizacao$Long,na.rm=T)+1, max(localizacao$Lat,na.rm=T)+1) ggplot() + borders("world", colour="grey", fill="lightgray") + theme_bw() + geom_point(aes(x=Long,y=Lat),data=localizacao,colour="black",size=2,alpha=0.1)+ coord_fixed(xlim=distribuicao[c(1,3)], ylim=distribuicao[c(2,4)]) ``` # Pacotes para dados geográficos Alguns pacotes são bem úteis para baixar dados geográficos diretamente, e vamos conhecer alguns deles que possam ter utilidade na área de ecologia ## Pacote [geobr](https://cran.r-project.org/web/packages/geobr/vignettes/intro_to_geobr.html) Com vários dados oficiais para o Brasil! ```{r} #| warning: false library(geobr) datasets <- list_geobr() View(datasets) ``` Vamos criar um shapefile com os municípios do estado do Paraná e plotar usando a função *geom_sf* do ggplot. ```{r} #| fig-cap: "Figura 17. Municípios do estado do Paraná, Brasil" muni_PR <- read_municipality(code_muni = "PR", year=2020, showProgress = FALSE) class(muni_PR) ggplot() + geom_sf(data=muni_PR, fill="lightgrey", color="black", show.legend = FALSE) + theme_minimal() ``` Também é possivel obter os limites dos biomas com geom_br ```{r} #| fig-cap: "Figura 18. Biomas do Brasil" biomas <- read_biomes(year=2019, showProgress = FALSE) head(biomas) ggplot() + geom_sf(data=biomas, color="black", aes(fill=name_biome)) + theme_minimal() ``` Para tirar o sistema costeiro ```{r} #| fig-cap: "Figura 19. Biomas do Brasil sem o sistema costeiro" ggplot() + geom_sf(data= slice(biomas,-7), color="black", aes(fill=name_biome)) + theme_minimal() ``` ## Pacote [mapview](https://r-spatial.github.io/mapview/) Muito legal para fazer mapas interativos! Não necessariamente para publicações, mas talvez apresentações e visualizações diversas. ```{r} #| fig-cap: "Figura 20. Mapa interativo dos biomas do Brasil" #| warning: false library(mapview) # mapview(biomas, zcol = "name_biome") ``` ```{r} #| fig-cap: "Figura 21. Mapa interativo dos municípios do Paraná" # mapview(muni_PR, zcol = "name_muni") ``` ## Customização de mapas Agora vamos aprender a deixar os mapas com qualidade para publicação! Alguns requisitos são essenciais nessa etapa: 1. Todo mapa DEVE conter uma barra de escala! 2. Todo mapa deve conter também a orientação (apontando para o norte) 3. Interessante prestar bastante atenção nas cores 4. Não representar países que não são ilhas isoladamente!! ```{r} #| fig-cap: "Figura 22. Biomas do Brasil bonito" ggplot() + geom_sf(data= slice(biomas,-7), aes(fill=name_biome, alpha=0.7)) + theme_minimal()+ scale_fill_manual(values = terrain.colors(7)) ``` Agora do jeito correto, usaremos o pacote *ggspatial* para inserir o símbolo apontando para o norte e a escala ao mapa (funções **annotation_north_arrow** e **annotation_scale** respectivamente). ```{r} library(ggspatial) ``` ::: {.callout-tip} Para verificar os diferentes estilos de seta, checar os [exemplos]<https://paleolimbot.github.io/ggspatial/reference/north_arrow_orienteering.html> ::: Figura final ```{r, fig.width=20, fig.height= 10} #| fig-cap: "Figura 24. Mapa dos Biomas do Brasil final" ggplot()+ borders("world", fill = "lightgray", colour = "gray")+ geom_sf(data= slice(biomas,-7), aes(fill=name_biome, alpha=0.7)) + scale_fill_manual(values = terrain.colors(7))+ coord_sf(xlim= c(-80,-30), ylim=c(-40,10))+ theme(legend.position = c(0.8,0.9), legend.background = element_blank(), legend.text=element_text(size=10), legend.title = element_blank(), legend.key.size = unit(0.4, "cm"), panel.grid.major = element_line(color = "darkgray", linetype = "dashed", size = 0.5), panel.background = element_rect(fill = "aliceblue"), axis.title = element_blank())+ guides(fill = guide_legend(nrow = 3), alpha= "none")+ annotation_north_arrow(location="br", style=north_arrow_nautical, pad_x = unit(2, "cm"), pad_y = unit(2, "cm"))+ annotation_scale(location = "tl") ``` ## Mapas a partir de shapefiles Shapefiles (.shp) podem ser encontrados em diversos banco de dados na internet. Alguns comumente utilizados no Brasil são o do IBGE, INPE, ANA e diversos sites do governo. Para dados internacionais, temos vários disponíveis gratuitamente \> confira uma tabela nesse link: <https://www.oryxthejournal.org/writing-for-conservation-guide/map-with-a-message.html#tab:data-sources> ## Pacote *terra* como subtituto do finado *raster* Muito conteúdo BEM completo no site deles <https://rspatial.org/pkg/index.html> Vários dados disponíveis no site do INPE <http://www.dpi.inpe.br/Ambdata/download.php> > Outra opção (que eu achei bem mais pesada) é usar o pacote [geodata](https://cran.r-project.org/web/packages/geodata/geodata.pdf) > Útil para dados globais de clima (wordclim), elevação, uso da terra, solo, ocorrência de espécies pelo gbif, limites administrativos, etc. > Opções para dados globais (função **worldclim_global**), por país (**worldclim_country**) ou para determinada latitude e longitude (**worldclim_tile**) > library(geodata) > clim_brasil <- worldclim_country(country= "BR", var="bio", res=10, download=T, path= tempdir(), version = "2.1") Vamos baixar apenas a bio1 - Temperatura média pra ir mais rápido, mas se for baixar todas vai vir num arquivo .zip e será nescessário unzip na sua pasta de destino para utilizar. ```{r} # download.file("http://www.dpi.inpe.br/amb_data/Brasil/bio1_br.asc", destfile="bio1_br.asc") ``` ```{r} #| eval: false #| fig-cap: "Figura 25. Temperatura média anual para o Brasil" #| warning: false library(terra) temp <- rast('/bio1_br.asc') class(temp) plot(temp) ``` Para plotar com ggmap precisa transformar em dataframe ::: {.callout-tip} Para saber as unidades e quais são as variáveis verificar em <https://www.worldclim.org/> ::: ```{r} #| eval: false #| fig-cap: "Figura 26. Temperatura média anual para o Brasil com ggmap" temp_df <- as.data.frame(temp, xy=T) ggplot() + geom_tile(data = temp_df, aes(x = x, y = y, fill = bio1_br/10))+ #unidade do worldclim é oC*10 theme_bw() ``` Agora se a gente quiser só para alguma localização específica,temos que editar o arquivo. Para isso temos a função *crop* ```{r} #| eval: false #| fig-cap: "Figura 27. Temperatura média anual para uma localização aleatória" ext <- c(-50,-40, -25,-20) # Para alguma localização específica temp_x <- crop(temp, ext) plot(temp_x) ``` Para o Paraná vamos usar o shape do geobr para cortar o raster no tamanho certo ```{r} #| eval: false #| fig-cap: "Figura 28. Estado do Paraná" estado_PR <- read_state(code_state = "PR", year=2020, showProgress = FALSE) ggplot() + geom_sf(data=estado_PR, fill="lightgrey", color="black", show.legend = FALSE) + theme_minimal() ``` ```{r} #| eval: false #| fig-cap: "Figura 29. Temperatura média para o Estado do Paraná" temp_pr <- crop(temp, estado_PR) temp_pr_df <- as.data.frame(temp_pr, xy=T) ggplot() + geom_tile(data=temp_pr_df, aes(x,y, fill=bio1_br/10))+ theme_minimal()+ coord_equal() ``` ::: {.callout-tip} Atenção para customizações de escala!!! O resultado do seu mapa depende muito disso! ::: ```{r} #| eval: false #| fig-cap: "Figura 30. Temperatura média anual para o Paraná com escala ajustada" ggplot()+ geom_tile(data=temp_pr_df, aes(x,y, fill=bio1_br/10))+ scale_fill_gradient2(na.value="white", low= "steelblue3", mid="gray94", high="brown3", limits=c(10, 29), midpoint = 18, breaks = c(10, 15,20, 25))+ geom_sf(data=estado_PR, fill=NA, color="black", show.legend = FALSE) + theme(axis.text = element_blank(), axis.ticks = element_blank(), axis.title = element_blank(), panel.background = element_blank()) ``` ## Alguns sites/livros úteis para aprofundar em R espacial <https://www.ecologi.st/spatial-r/> <https://tmieno2.github.io/R-as-GIS-for-Economists/> <https://damariszurell.github.io/EEC-MGC/a1_SpatialData.html> <https://rspatial.org/terra/spatial/Spatialdata.pdf> <https://cran.r-project.org/doc/contrib/intro-spatial-rl.pdf> # CHEGAAAAAAAA SOCORROOOO