Geografía, GIS, SIG, R, Tutorial, Análisis Espacial
En este vídeo tutorial explico como hacer uso de la librería geoBounds dentro de R para acceder a información de shapefiles político administrativo a distintos niveles. Y podemos lograr mapas como este:
Blog original: https://dieghernan.github.io/202602_geobounds/
Contacto: Fabio Castro – Llanos Whatsapp: wa.me/+573217850490
Contacto
Fabio Alexander Castro Llanos: fabioalexandercastro@gmail.com wa.me/+573217850490
En este pequeño proyecto desarrollé una aplicación interactiva en R Shiny para visualizar el Palmer Drought Severity Index (PDSI) a nivel municipal en Colombia. La idea es bastante simple: poder explorar cómo cambian las condiciones de sequía o humedad mes a mes usando un mapa interactivo.
El resultado final es una app donde el usuario puede seleccionar año y mes, y automáticamente el mapa se actualiza mostrando el valor del índice en cada municipio.
La aplicación está construida usando sf, leaflet, tidyverse y Shiny, junto con algunos ajustes visuales usando bslib para darle una apariencia moderna
El primer paso consiste en cargar las librerías necesarias y leer los datos que vamos a usar.
En este caso se utilizan dos datasets principales:
require(sf)require(tidyverse)require(shiny)require(leaflet)require(bslib)require(RColorBrewer)mpio <- st_read("./www/mpios_simplify.gpkg", quiet = TRUE)znal <- read_csv( "./www/zonal_pdsi_year-monthly_gather.csv") |> select(MpCodigo, MpNombre, Depto, year, month, value)
Algo importante aquí es asegurarse de que el código del municipio tenga el mismo tipo de dato en ambas tablas para poder hacer correctamente el join.
mpio$MPIO_CCNCT <- as.character(mpio$MPIO_CCNCT)znal$MpCodigo <- as.character(znal$MpCodigo)
La interfaz se construyó con Bootstrap 5 usando el paquete bslib. Esto permite aplicar temas modernos y tipografías personalizadas.
theme = bs_theme( version = 5, bootswatch = "darkly", primary = "#38bdf8")
En el panel izquierdo se agregaron dos controles simples:
selectInput("yr", "Año", choices = yrs_avl)selectInput("mt", "Mes", choices = mth_avl)
Estos inputs serán los que controlan la actualización del mapa.
En el panel principal se incluye el mapa interactivo:
leafletOutput("map_pdsi")
Además agregué algunos detalles visuales como tarjetas (cards), tipografía moderna y enlaces a redes sociales.
La magia de Shiny ocurre en el server, donde se construye el flujo reactivo de la aplicación.
Primero se filtran los datos del índice según el año y el mes seleccionados:
tbl_pdsi <- reactive({ znal |> filter( year == input$yr, month == input$mt )})
Luego se realiza la unión con el shapefile municipal:
mpio_pdsi <- reactive({ mpio |> left_join( tbl_pdsi(), by = c("MPIO_CCNCT" = "MpCodigo") )})
De esta forma cada municipio queda asociado con su valor del índice PDSI.
Primero se inicializa el mapa base usando Leaflet:
output$map_pdsi <- renderLeaflet({ leaflet() %>% addProviderTiles(providers$CartoDB.Positron) %>% setView(lng = -74, lat = 4.5, zoom = 6)})
Después se actualizan los polígonos dinámicamente cada vez que cambia el año o el mes.
pal <- colorNumeric( palette = brewer.pal(11, "BrBG"), domain = dat$value)
Esta paleta permite representar:
Finalmente se dibujan los municipios en el mapa.
addPolygons( fillColor = ~pal(value), fillOpacity = 0.8, label = ~paste0(MpNombre, "<br>PDSI: ", round(value,2)))
Además se agrega una leyenda dinámica que ayuda a interpretar los colores.
El resultado es una pequeña aplicación interactiva que permite explorar rápidamente las condiciones de sequía o humedad en Colombia a escala municipal.
Este tipo de herramientas resulta especialmente útil para:
Y demuestra lo poderoso que puede ser R para construir aplicaciones geoespaciales interactivas con relativamente pocas líneas de código.
Si requieres asesoría en temas de SIG contactame a mi correo fabioalexandercastro@gmail.com o whatsapp https://wa.me/+573217850490
En este nuevo tutorial muestro cómo calcular la estadística zonal del PDSI para todos los municipios de Colombia y generar un archivo espacial final listo para análisis multitemporal.
Trabajamos con datos previamente descargados de TerraClimate, específicamente el Palmer Drought Severity Index (PDSI), y realizamos el procesamiento usando un flujo reproducible en R.
El código realiza tres procesos fundamentales:
Se listan todos los .tif del PDSI recortados a Colombia y se ordenan correctamente por año.
fles <- dir_ls('./tif/pdsi', regexp = '.tif$')fles <- grep('COL', fles, value = T)fles <- mixedsort(fles)
Utilizamos exactextractr::exact_extract() para calcular el promedio mensual del PDSI por municipio:
znal <- exactextractr::exact_extract( x = rstr, y = st_as_sf(mpio), fun = 'mean')
El resultado genera:
Todo queda organizado en una tabla estructurada.
Luego hacemos el join con el shapefile municipal y exportamos:
st_write(znal, './gpkg/zonal_pdsi.gpkg')
El resultado es un GeoPackage listo para:
En el video del canal Un Geógrafo en YouTube explico:
exactextractr en lugar de terra::extract👉 Te invito a ver el tutorial completo en el canal.
Si requieres asesoría en temas de SIG contactame a mi correo fabioalexandercastro@gmail.com o whatsapp https://wa.me/+573217850490
En este tutorial te explico cómo descargar y procesar datos climáticos del dataset TerraClimate directamente desde R, automatizando la descarga de múltiples años, recortando por país y exportando los resultados en formato GeoTIFF listo para análisis espacial.
El flujo que implementamos es completamente reproducible y escalable, ideal para proyectos de modelación climática, análisis de sequías o estudios de cambio climático.
TerraClimate es un conjunto de datos climáticos mensuales de alta resolución (~4 km) que combina información de estaciones, reanálisis y climatologías históricas. Es ampliamente utilizado para estudios de:
En este ejemplo trabajamos con el Palmer Drought Severity Index (PDSI).
El script realiza cuatro procesos clave:
Todo esto se ejecuta con una función aplicada iterativamente.
Trabajamos con un stack moderno y eficiente
require(pacman)p_load(terra, fs, sf, tidyverse, gtools, glue)
Generamos las rutas directamente hacia el servidor:
urls <- glue('http://thredds.northwestknowledge.net:8080/thredds/fileServer/TERRACLIMATE_ALL/data/TerraClimateV1.1_PDSI_{1995:2020}.nc')
Esto evita descargar manualmente año por año y permite escalar fácilmente el rango temporal.
Utilizamos geodata::gadm() para obtener el shapefile del país:
col0 <- geodata::gadm(country = 'COL', level = 0, path = './tmpr')
Este objeto se usa posteriormente como máscara espacial.
La función ejecuta tres operaciones:
.nccrop)mask).tif
make.down <- function(urle){ wrtn <- glue('{dout}/{basename(urle)}') download.file( url = urle, destfile = wrtn, mode = 'wb' ) rstr <- rast(wrtn) rstr <- terra::crop(rstr, col0) rstr <- terra::mask(rstr, col0) wrtn <- glue('{dirname(wrtn)}/COL_{basename(wrtn)}') wrtn <- gsub('.nc', '.tif', wrtn) terra::writeRaster(x = rstr, filename = wrtn, overwrite = TRUE)}
Luego simplemente:
map(urls, make.down)
Obtendrás una carpeta con archivos como:
✔ Automatización completa
✔ Flujo reproducible
✔ Uso de terra (más eficiente que raster)
✔ Escalable a cualquier variable de TerraClimate
✔ Compatible con flujos avanzados (SPEI, modelación de especies, análisis agrícola)
En el video del canal Un Geógrafo en YouTube explico cada paso con detalle
En este video presento un flujo completo y reproducible en R para identificar zonas climáticamente idóneas para el cultivo de café bajo sombra, inspirado en el artículo científico:
“A coffee corridor for biodiversity and livelihoods: climatic feasibility of shade coffee cultivation in western Rwanda”
Trees, Forests and People 🌱📄
Aunque el estudio original se desarrolla en África oriental, aquí adapto su enfoque metodológico al contexto colombiano, utilizando datos climáticos globales y herramientas SIG en R.
El análisis se centra en los departamentos de Quindío, Risaralda y Caldas, una de las principales regiones cafeteras de Colombia ☕🇨🇴.
Se emplean datos oficiales y abiertos:
terra, sf, tmap, geodata)Siguiendo el artículo de referencia, se seleccionan cinco variables bioclimáticas clave para el cultivo de Coffea arabica:
Cada variable se recorta y enmascara a la zona de estudio para asegurar coherencia espacial.
Las variables climáticas se reclasifican en cinco niveles de idoneidad, desde:
Esto se realiza mediante matrices de reclasificación, construidas a partir de rangos climáticos reportados en la literatura agroecológica. El resultado es un conjunto de capas raster comparables entre sí.
Para integrar las variables se aplica un Análisis Multicriterio por Combinación Lineal Ponderada (WLC):
Finalmente, el índice se normaliza a un rango de 0 a 1, donde:
📈 Este enfoque permite sintetizar información climática compleja en un solo indicador espacial interpretable.
El resultado se representa mediante un mapa temático en tmap, incorporando:
El mapa final resume visualmente las zonas con mayor potencial climático para el café, bajo un enfoque reproducible y transparente.
Todo el proceso se desarrolla 100% en R, lo que permite:
Este tipo de análisis es ampliamente utilizado en agroecología, SIG ambiental y estudios de cambio climático, y aquí se presenta de forma accesible para la comunidad técnica.
¿Me deseas contactar?
Escribeme a mi whatsapp https://wa.me/+573217850490
El vídeo tutorial de YouTube aquí lo puedes encontrar:
La disponibilidad de áreas verdes urbanas es un indicador clave para la calidad de vida, la salud pública y la resiliencia climática de las ciudades.
En este artículo presento un flujo de trabajo reproducible en R para identificar, cuantificar y mapear las áreas verdes dentro de la ciudad de Cali, combinando límites oficiales con información abierta proveniente de OpenStreetMap (OSM).
El objetivo no es solo hacer un mapa “bonito”, sino calcular un indicador espacial sólido: la proporción del área urbana cubierta por zonas verdes.
El análisis se desarrolla completamente en R, utilizando un conjunto de librerías especializadas en datos espaciales, visualización y manejo reproducible de rutas:
Este stack permite:
sf),osmdata),terra),ggplot2, ggspatial).El uso de here asegura que el proyecto sea portable y reproducible, una práctica fundamental en análisis espaciales profesionales.
🗺️ 2. Carga y preparación de los límites oficiales
El análisis parte de shapefiles oficiales de:
Estos límites definen el universo espacial válido del estudio.
🌳 3. ¿Dónde están las áreas verdes en OpenStreetMap?
A diferencia de los catastros oficiales, OpenStreetMap no tiene una única capa de “zonas verdes”.
Estas áreas están distribuidas en múltiples etiquetas (tags), entre ellas:
leisure: parques, jardines, zonas recreativas,landuse: bosques, praderas,natural: vegetación natural.Para manejar esta complejidad, se define una función personalizada que:
Una vez descargados los polígonos desde OSM, se realiza una intersección espacial:
Este paso es fundamental porque:
Sin recorte espacial, las métricas urbanas no son defendibles.
🧩 5. Integración de todas las áreas verdes
Las distintas capas provenientes de OSM se limpian y se unen en una sola geometría temática:
Cada polígono conserva:
key),value).Esto permite auditoría, análisis posterior y extensiones del estudio.
📐 6. Cálculo de la cobertura verde urbana
Con todas las áreas integradas, se calcula el indicador central del anál
Este valor representa el porcentaje del área total de la ciudad cubierto por zonas verdes, un indicador ampliamente utilizado en:
Aquí pasamos de la cartografía descriptiva a un resultado cuantitativo interpretable.
El resultado se presenta mediante un mapa claro y sobrio, pensado para comunicación académica y técnica:
Vídeo tutorial donde explicamos todo esto:
Deseas contactarme para guiarte en tu proyecto de SIG (pregrado, maestría o doctorado), escríbeme al Whatsapp: +57 3217850490
Las luces nocturnas observadas desde satélites se han convertido en uno de los insumos más poderosos para el análisis espacial del desarrollo humano, la urbanización, la actividad económica y los cambios territoriales a escala global. Gracias a su cobertura continua y homogénea, estos datos permiten analizar dinámicas sociales y económicas incluso en regiones donde la información estadística oficial es limitada o inexistente.
En este artículo te explico qué son los datos armonizados de luces nocturnas DMSP–OLS y VIIRS, cómo fueron construidos y por qué son tan relevantes para la investigación en geografía, economía y ciencias ambientales.
Las luces nocturnas satelitales capturan la iluminación artificial visible durante la noche, proveniente principalmente de:
Durante décadas, estas observaciones han sido utilizadas como proxy de actividad humana, crecimiento urbano y desarrollo económico.
📡 Dos generaciones de sensores: DMSP y VIIRS
El programa Defense Meteorological Satellite Program – Operational Linescan System (DMSP-OLS) fue el primer sistema que permitió observar luces nocturnas a escala global.
Limitaciones principales:
El sensor Visible Infrared Imaging Radiometer Suite – Day/Night Band (VIIRS-DNB) representa un gran avance tecnológico:
Sin embargo, el cambio de sensor generó una ruptura temporal que dificultaba los análisis de largo plazo… hasta que llegó la armonización.
El dataset “Harmonization of DMSP and VIIRS nighttime light data”, desarrollado por Li et al. (2020), resuelve este problema mediante un riguroso proceso de calibración temporal y espacial.
El conjunto de datos incluye:
Los archivos están disponibles en formato raster y son compatibles con herramientas como R, QGIS, ArcGIS y Google Earth Engine.
Las aplicaciones son muy amplias, entre ellas:
En muchos estudios, las luces nocturnas funcionan como un indicador alternativo de desarrollo, especialmente útil en países con baja disponibilidad de datos oficiales.
Las luces nocturnas son mucho más que una imagen bonita del planeta: son una huella luminosa de la actividad humana. Gracias a la armonización DMSP–VIIRS, hoy contamos con una de las series espaciales más valiosas para entender cómo hemos transformado el territorio en las últimas tres décadas.
En Un Geógrafo en YouTube seguiremos explorando cómo estos datos pueden ayudarnos a leer el mundo desde el espacio 🌌📊.
Aquí el video tutorial:
¿Me deseas contactar?
Escribeme a mi whatsapp https://wa.me/+573217850490
En este tutorial explicamos como descargar datos de cobertura de la tierra, procesarlos y mapearlos con la ayuda de R
El vídeo en mi canal de YouTube
El script para su réplica:
Me deseas contactar?
Escríbeme al Whatsapp: +57 3217850490
Tutorial en YouTube
Código:
Whatsapp: +57 3217850490
Este es el vídeo tutorial
De aquí puedes descargar el informe realizado, recuerda que es un documento abierto a mejora.
SIG con R 