Comparto aquí el vídeo donde explico como analizar datos espaciales, tanto puntos como rasters, de los datos del sismo ocurridos el pasado 10 de agosto de 2026 en San José del Palmar.
Sí deseas acceder a los códigos puedes visitar mi repositorio de Github: https://github.com/fabiolexcastro/tutorials_youtube/tree/main/sismos_wspce
Si requieres asesoría o tienes preguntas me puedes contactar (whatsapp)
Contacto: wa.me/+573217850490
En este nuevo vídeo tutorial de mi canal de YouTube (youtube.com/fabiocastrollanos) damos un paso más allá del mapa temático tradicional y respondemos una pregunta que difícilmente se puede contestar con una sola capa: ¿la infraestructura vial de un municipio guarda relación con la pobreza de los territorios que lo rodean?
Para resolverlo aplicamos un análisis de Moran bivariado entre la longitud de vías y el Índice de Pobreza Multidimensional (IPM) a nivel municipal para toda Colombia, usando R. La variable de longitud de vías la construimos en un tutorial anterior, donde cuantificamos la red vial de cada municipio; aquí la ponemos a «conversar» con la pobreza.
Un mapa de coropletas nos dice dónde hay valores altos o bajos de una variable. El Moran univariado da un paso más y mide si esos valores se agrupan en el espacio, es decir, si municipios «parecidos» tienden a ser vecinos. Pero en el análisis territorial la pregunta interesante casi siempre involucra dos fenómenos a la vez.
Ahí entra el Moran bivariado. En lugar de comparar una variable consigo misma, compara el valor de una variable en un municipio con el promedio de otra variable en sus vecinos (lo que técnicamente llamamos rezago espacial). El resultado es una clasificación local (LISA) que ubica a cada municipio en uno de cuatro cuadrantes:
Este último cuadrante, el «Bajo – Alto», suele ser el más relevante para la política pública: señala bolsones de pobreza con conectividad deficiente, exactamente el tipo de territorio donde una inversión en infraestructura de transporte podría tener mayor impacto social.
Un detalle importante: el mapa final solo colorea los municipios estadísticamente significativos. La significancia se estima mediante un proceso de permutaciones (aleatorización), lo que nos permite distinguir los patrones reales de los que podrían aparecer por simple azar. Todo lo que no supera esa prueba se descarta como «Sin significancia».
En resumen, el objetivo del ejercicio no es hacer un mapa bonito, sino detectar de forma reproducible dónde coinciden espacialmente la carencia vial y la pobreza, para pasar de la intuición a la evidencia.
Antes de correr una sola línea, conviene tener el entorno y los insumos ordenados. Este flujo se apoya por completo en R y en un puñado de librerías del ecosistema geoespacial:
sf para leer y manipular los datos vectoriales.terra como soporte del manejo espacial.tidyverse para toda la limpieza y transformación de las tablas.rgeoda, la protagonista de este análisis: es la interfaz de GeoDa en R y contiene toda la maquinaria de autocorrelación espacial y estadísticos LISA.ggplot2 junto con ggspatial y patchwork para la composición cartográfica.cptcity y RColorBrewer para las paletas de color.En cuanto a los datos de entrada, necesitamos combinar dos mundos:
geodata.El puente entre ambos es el código DANE del municipio (MPIO_CCNCT). Aquí un pequeño pero clásico dolor de cabeza: algunos códigos pierden el cero inicial al leerse (típicamente Antioquia y Atlántico), así que hay que restituir ese 0 antes de unir las tablas, o el cruce fallará silenciosamente. Por último, todas las capas se llevan a un mismo sistema de referencia (EPSG:4326) para que se alineen correctamente.
Sin entrar línea por línea, estos son los comandos que sostienen todo el análisis y vale la pena entender a nivel conceptual:
queen_weights() → Es el punto de partida. Construye la matriz de vecindad bajo el criterio de la reina (dos municipios son vecinos si comparten un borde o incluso un solo vértice). Sin una definición de «quién es vecino de quién», no existe lo espacial en la estadística espacial: esta matriz es el cimiento de todo lo demás.
local_bimoran() → El corazón del ejercicio. Recibe la matriz de vecindad y las dos variables (vías e IPM) y calcula el Moran bivariado local para cada municipio, entregando su cuadrante y su nivel de significancia. Es la función que traduce la pregunta conceptual en un resultado cuantitativo.
lisa_clusters(), lisa_labels() y lisa_colors() → El trío que traduce el resultado a algo interpretable. La primera asigna la categoría a cada municipio, la segunda recupera las etiquetas estándar (Alto–Alto, Bajo–Alto, etc.) y la tercera aporta la paleta canónica de GeoDa, para que el mapa hable el mismo lenguaje visual que la literatura del tema.
inner_join() → El enlace entre lo tabular y lo geométrico. Es la operación que pega el IPM del DNP a la geometría municipal mediante el código DANE. Un cruce mal hecho aquí arruina todo el análisis, por eso la limpieza previa de los códigos es tan importante.
annotation_scale() y annotation_north_arrow() → Los elementos que convierten un gráfico en un mapa. La barra de escala y la flecha de norte no son adornos: son lo que le permite a cualquier lector interpretar correctamente la información. Es un paso que siempre insisto en no saltarse.
El Moran bivariado es una de esas técnicas que cambian la forma de leer un territorio: pasamos de describir variables por separado a detectar cómo se relacionan en el espacio. Aplicado a las vías y al IPM, nos entrega un mapa que no solo se ve bien, sino que señala con evidencia estadística dónde la falta de conectividad y la pobreza se dan la mano en Colombia.
Si quieres ver el paso a paso completo, con el código en pantalla y las decisiones metodológicas explicadas, te invito al vídeo en mi canal: youtube.com/fabiocastrollanos. Y si necesitas asesoría personalizada en temas de SIG y análisis espacial con R, escríbeme.
ontacto: Fabio Castro-Llanos — wa.me/+573217850490
🗺️ ¿Cómo medir la infraestructura vial a nivel municipal con R?
Acabo de subir un nuevo video donde pasamos directo a la práctica para resolver esto. Les muestro paso a paso cómo armar el flujo de trabajo para cuantificar la infraestructura de transporte usando datos geoespaciales.
En el tutorial vemos cómo:
Filtrar la red vial (tipos 1 a 4) para quedarnos solo con lo importante.
terra.Si trabajan con SIG y quieren aprender a automatizar este tipo de geoprocesos en R, el tutorial te va a gustar.
Si me deseas contactar: wa.me/+573217850490
Los códigos los puedes descargar aquí:
Si deseas asesoría me puedes escribir: wa.me/+573217850490
Saludos
Contacto: wa.me/+573217850490
En este vídeo tutorial explicamos cómo realizar un mapa bivariado entre las variables de rezago escolar y trabajo infantil a nivel municipal para Colombia, los datos son tomados del Departamento Nacional de Planeación de Colombia.
En el análisis de datos geográficos, a menudo no basta con ver una sola variable en el mapa. A veces, la pregunta real es: ¿Cómo interactúan dos fenómenos en un mismo territorio? Para responder a esto, una de las herramientas más potentes y visualmente atractivas es el Mapa Bivariado. En este post, les explicaré la lógica detrás de un script desarrollado en R para analizar la relación entre el Rezago Escolar y el Trabajo Infantil.
A diferencia de un mapa de coropletas tradicional (que usa una escala de un solo color), el mapa bivariado utiliza una matriz de colores. Esto nos permite identificar no solo dónde los valores son altos o bajos para una variable, sino dónde se combinan ambas situaciones.
Para lograr este resultado, el flujo de trabajo se divide en tres grandes pilares:
El primer paso consiste en cargar la información base (capas departamentales y bases de datos georeferenciadas). En este punto, es vital definir los límites geográficos (bbox) para que el mapa se centre exactamente en el área de interés, eliminando ruidos visuales innecesarios.
Aquí es donde ocurre la «magia». Utilizando la librería biscale, los datos se clasifican en grupos (generalmente terciles o cuantiles). El script toma dos variables independientes:
El resultado es una nueva columna en nuestros datos que combina ambas dimensiones en categorías únicas (por ejemplo: «Bajo-Bajo», «Alto-Bajo», «Alto-Alto»).
Un buen mapa debe ser tan informativo como estético. La lógica del diseño incluye:
Lo más importante en un mapa bivariado es su leyenda en forma de diamante. El script no solo genera el mapa, sino que construye una leyenda independiente que se superpone al lienzo principal. Esta matriz nos dice, por ejemplo, que las zonas en los tonos más oscuros son aquellas donde ambos problemas sociales convergen con mayor intensidad.
Visualizar datos de esta manera nos permite identificar patrones críticos de forma inmediata, facilitando la toma de decisiones basada en datos geográficos. R, a través de potentes librerías como terra, sf y ggplot2, sigue siendo la herramienta líder para este tipo de análisis avanzado.
El mapa que creamos en el vídeo tutorial
Sin embargo, es posible replicarlo para cualquier ciudad del mundo, entre tanto hacemos uso de datos libres de Open Street Maps
Contacto: wa.me/+573217850490
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
