Tutorial en YouTube
Código:
Whatsapp: +57 3217850490
SIG con R
Geografía, GIS, SIG, R, Tutorial, Análisis Espacial
recent posts
about
-
Este es el vídeo tutorial
De aquí puedes descargar el informe realizado, recuerda que es un documento abierto a mejora.
-
Estas variables se refieren a componentes de la beta diversidad, que mide la variación en la composición de especies entre diferentes áreas o comunidades.
- Btotal: Este valor representa la beta diversidad total, que es una medida de la disimilitud general en la composición de especies entre las áreas que estás comparando. Es la suma de los componentes de reemplazo y anidamiento.
- Brepl: Este componente se refiere a la beta diversidad debida al reemplazo de especies. Indica la proporción de la disimilitud que se debe a la sustitución de algunas especies por otras entre las áreas. Es decir, mide cuántas especies en una área son reemplazadas por otras especies en la otra área.
- Brich: Este componente se refiere a la beta diversidad debida a la diferencia en riqueza de especies (anidamiento). Mide la proporción de la disimilitud que se debe a la ganancia o pérdida de especies entre las áreas, es decir, cómo varía el número de especies sin que haya un reemplazo directo entre ellas.
En resumen:
- Btotal = Brepl + Brich
- Brepl mide la disimilitud por reemplazo de especies.
- Brich mide la disimilitud por diferencia en la riqueza de especies.
Estas medidas te permiten entender mejor cómo varía la composición de especies de orquídeas entre diferentes áreas de Bosque Seco Tropical y qué factores (reemplazo o riqueza) contribuyen más a esa variación.
Contexto del Análisis
Supongamos que tienes datos de distribución de varias especies de orquídeas en diferentes áreas del Bosque Seco Tropical en Colombia. Utilizaste modelos de distribución de especies (como MaxEnt) para identificar las zonas idóneas (donde las condiciones son favorables para la presencia de las orquídeas) y no idóneas (donde las condiciones no son favorables).
¿Qué mide Brepl?
Brepl (Beta diversidad de reemplazo) mide la proporción de la disimilitud en la composición de especies entre dos áreas que se debe al reemplazo de especies. Esto significa que evalúa cuántas especies presentes en una área específica son sustituidas por otras especies diferentes en otra área.
Aplicación a las Zonas Idóneas y No Idóneas
Imaginemos dos zonas idóneas diferentes dentro del Bosque Seco Tropical en Colombia:
- Zona A: Se encuentra en la región norte.
- Zona B: Se encuentra en la región sur.
Escenario sin Reemplazo de Especies
- En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
- En la Zona B se encuentran las especies de orquídeas 1, 2 y 3.
En este caso, la beta diversidad de reemplazo (Brepl) sería baja porque no hay especies que estén siendo reemplazadas entre las dos zonas; ambas tienen las mismas especies.
Escenario con Reemplazo de Especies
- En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
- En la Zona B se encuentran las especies de orquídeas 4, 5 y 6.
Aquí, Brepl sería alta porque todas las especies en la Zona A son reemplazadas por diferentes especies en la Zona B.
Interpretación de Brepl
Cuando Brepl es alto, indica que la diferencia en la composición de especies entre las áreas comparadas se debe principalmente a que algunas especies son reemplazadas por otras. Esto puede suceder debido a varios factores, como diferencias en el microclima, el suelo, la altitud, o la intervención humana en cada zona.
En tu análisis de orquídeas en el Bosque Seco Tropical, un Brepl alto podría sugerir que ciertas especies de orquídeas encuentran zonas idóneas en áreas diferentes debido a condiciones ambientales específicas que favorecen a unas especies sobre otras. Esto puede ser crucial para entender cómo se distribuyen las orquídeas y para la conservación de sus hábitats.
En resumen, Brepl te ayuda a identificar y cuantificar el grado en que las especies de orquídeas en diferentes zonas idóneas del Bosque Seco Tropical son reemplazadas por otras especies, proporcionando una visión detallada de la variabilidad en la composición de especies entre estas áreas.
¿Qué mide Brich?
Brich (Beta diversidad de riqueza) mide la proporción de la disimilitud en la composición de especies entre dos áreas que se debe a la diferencia en la riqueza de especies. En otras palabras, evalúa la cantidad de disimilitud que se debe a la ganancia o pérdida de especies entre las áreas, sin considerar el reemplazo directo de unas especies por otras.
Aplicación a las Zonas Idóneas y No Idóneas
Volvamos al ejemplo de las zonas idóneas dentro del Bosque Seco Tropical en Colombia:
- Zona A: Se encuentra en la región norte.
- Zona B: Se encuentra en la región sur.
Escenario sin Diferencia en Riqueza de Especies
- En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
- En la Zona B se encuentran también las especies de orquídeas 1, 2 y 3.
En este caso, Brich sería baja porque ambas zonas tienen la misma cantidad de especies (riqueza de especies).
Escenario con Diferencia en Riqueza de Especies
- En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
- En la Zona B se encuentran las especies de orquídeas 1, 2, 3, 4 y 5.
Aquí, Brich sería alta porque la Zona B tiene más especies que la Zona A. La diferencia en la composición de especies se debe a la ganancia de especies adicionales en la Zona B, no al reemplazo de unas especies por otras.
Interpretación de Brich
Cuando Brich es alta, indica que la disimilitud en la composición de especies entre las áreas comparadas se debe principalmente a la diferencia en el número total de especies presentes en cada área. Esto puede ocurrir por diversas razones:
- Condiciones Ambientales Favorables: La Zona B podría tener condiciones más favorables que permiten la presencia de más especies de orquídeas.
- Conservación y Protección: La Zona B podría estar mejor protegida o menos perturbada por actividades humanas, lo que permite una mayor biodiversidad.
- Microhábitats Diversos: La Zona B podría tener una variedad de microhábitats que soportan diferentes especies.
Importancia de Brich en el Estudio
En tu análisis de las orquídeas del Bosque Seco Tropical en Colombia, un Brich alto puede ser indicativo de áreas con una alta diversidad de especies debido a condiciones específicas que favorecen la presencia de una mayor cantidad de especies de orquídeas. Esto puede ser crucial para identificar áreas prioritarias para la conservación, ya que áreas con mayor riqueza de especies pueden ser más valiosas desde el punto de vista de la biodiversidad.
En resumen, Brich te ayuda a entender y cuantificar cómo la riqueza de especies (el número total de especies) varía entre diferentes zonas idóneas del Bosque Seco Tropical, proporcionando una visión importante sobre la distribución y la diversidad de las especies de orquídeas en estas áreas.
-
En este vídeo tutorial de YouTube explico como geo-procesar datos de producción agrícola (>48 cultivos) con el uso de R, esto con la finalidad de al final computar los datos a nivel departamental, pudiendo vislumbrar al final un mapa como el que se ilustra a continuación.
Los datos es posibles descargarlos a nivel mundial para muchos cultivos, esto en está página web: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/SWPENT
Ahora bien, el vídeo se encuentra disponible en YouTube #UnGeógrafoEnYouTube
Sí deseas asesoría personalizada me puedes contactar a mi número de WhatsApp
-
EDGAR – Emission Database for Global Atmospheric Research
Está es una base de datos global que proporciona información detallada sobre las emisiones de Gases de Efecto Invernadero (GEI) y contaminantes atmosféricos antropogénicos en todo el mundo. Esta base de datos es utilizada por investigadores, científicos del clima, políticos y formuladores de políticas para comprender mejor la contribución de diversas fuentes a las emisiones globales y regionales.
EDGAR recopila y procesa datos de múltiples fuentes, como estadísticas energéticas, datos de uso de la tierra, datos industriales y otros, para estimar las emisiones de gases de efecto invernadero y contaminantes atmosféricos. Estos datos se presentan en varios formatos y niveles de desglose, lo que permite un análisis detallado de las emisiones por país, región, sector económico y tipo de gas.
Está base de datos está disponible para descarga desde la Comisión Europea para todo el mundo desde el año 1970 hasta el 2022, esto en formato raster.
Aquí os presento un tutorial tipo vídeo en el que realizamos la descarga automática de la información raster y el procesamiento del mismo con la finalidad de ilustrar los datos al final en una imagen GIF, aquí aprenderás a realizar diversos análisis espaciales:
- Descarga de información zip desde R, de forma automatizada para diferentes año
- Unzip de los datos desde R
- Extracción por máscara para el área continental
- Cálculo de estadísticas zonales a nivel de país (suma de GEI en ton por unidad político – administrativa)
- Escritura y lectura de archivos raster
- Mapeo de los resultados
- Compilación de las figuras finales dentro de un GIF
Aquí el vídeo tutorial:
Sí deseas replicar el ejercicio de aquí podrás descargar el código en R:
https://github.com/fabiolexcastro/edgar_dbase
Si deseas asesoría personalizada me puedes contactar al Whatsapp o correo electrónico:
Correo: fabioalexandercastro@gmail.com
-
¿Cuáles existen y dónde descargar?
En el marco de análisis climático surgen algunas dudas en relación a la disponibilidad de datos, entre tanto, para muchos países de América Latina el acceso a información climática es limitada y muchas veces con muchos datos faltantes.
Aquí un breve listado de las fuentes que conozco y con las que he hecho diversos análisis.
_____________________________________________________
- Worldclim v 2.0
Es una base de datos que corresponde a la climatología a nivel mundial entre el periodo de 1970 y 2000, estos con temporalidad mensual; disponibles a distintas resoluciones espaciales a 1, 5, 10 y 25 km apróximadamente.
Variables: precipitación, temperatura mínima, temperatura promedio y temperatura máxima.
URL: https://www.worldclim.org/data/index.html
2. Terraclimate
Datos climáticos también en formato raster a resolución de 5 kilómetros para todo el globo, bajo la temporalidad 1958 – 2023.
Variables: precipitación, temperatura mínima – promedio – máxima, evapotranspiración potencial, escorrentía, déficit de vapor de agua, radiación solar, entre otras.
URL: https://www.climatologylab.org/terraclimate.html
3. Chelsa
Datos climáticos en raster a resolución de 5 kilómetros, también a nivel mundial.
Esta base de datos tiene gran cantidad de tipos de temporalidad
- Anual
- Climatologías
- Diarios
- Normales idarias
- Mensual
Decir que para el caso de las climatologías se tienen datos de cambio climático para los periodos 2011 – 2040, 2041 – 2070 y 2071 – 2100, precisamente para los GCMs:
- GFDL-ESM4
- IPSL-CM6A-LR
- MPI-ESM1-2-HR
- MRI-ESM2-0
- UKESM1-0-LL
Y los SSPs: 126, 370 y 585.
URL: https://chelsa-climate.org/downloads/
4. CHIRPS
Esta información climática corresponde a datos de precipitación a nivel mundial a resolución de 5 km aproximadamente, a resolución temporal diaria. El periodo disponible para descarga va desde 1981 hasta la actualidad (constantemente lo están actualizando).
URL: https://www.chc.ucsb.edu/data/chirps
5. CHIRTS
Corresponde también a información diaria de temperaturas máximas y mínimas a nivel global, esto a resolución de 5 km.
La temporalidad de estos datos va desde 1983 hasta el 2015, recordemos que es información a nivel diaria.
URL: https://www.chc.ucsb.edu/data/chirtsdaily
6. AgERA5
Corresponde a la base de datos de Copernicus, contiene al igual información tipo raster a resolución temporal diaria y espacial de alrededor de 10 km.
Aquí hay gran variedad de variables climáticas, entre las cuales son:
- Componente U del viento
- Componente V del viento
- Componente neutral del viento
- Energía potencial
- Precipitación
- Tasa de lluvia
- Nevadas convectivas
- Evaporación
- Temperatura del fondo del lago
- Precipitación a larga escala
- Tasa media de precipitación global
- Evaporación potencial
- Temperatura máxima
- Temperatura mínima
- Escorrentía superficial
Ver más: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels?tab=overview
7. Datos climáticos a futuro (IPCC – CMIP6) – Climatologías
Además de los datos climáticos que podemos descargar por chelsa, también es posible bajar datos de otros GCMs, tales como: 125, 245, 370 y 585, y de más de 20 GCMs a los periodos 2021-2040; 2041-2060 y 2061-2080.
Decir además que se pueden bajar datos a distintas resoluciones espaciales, tales como: 1 km, 5 km, 10 km y 20 km. Como comentario final estos datos vienen a nivel mensual multi-anual para variables como precipitación, temperatura máxima y temperatura mínima.
URL:https://www.worldclim.org/data/cmip6/cmip6climate.html
8. Datos climáticos a nivel diario (NEX-GDDP-CMIP6)
Son datos diarios a resolución aproximada de 50 kilómetros, en otras palabras son los datos bruto (conocido en inglés como <<raw>>) de todos los modelos climáticos, tanto SSPs como GCMs.
Algunas de las variables para descarga son:
- Precipitación
- Temperatura máxima
- Temperatura promedio
- Temperatura mínima
- Radiación solar
- Velocidad del viento
Decir que estos datos es posible llevarlos a resolución de hasta 1 km con el apoyo del método delta y la corrección de sesgo (Navarro et al., 2020)[visitar aquí]
Sí te interesa aprender a aplicar tal método visita mi vídeo en YouTube donde abordo la temática (aquí)
URL: https://nex-gddp-cmip6.s3.us-west-2.amazonaws.com/index.html#NEX-GDDP-CMIP6/
Sí deseas ayuda me puedes contactar a mi número de Whatsapp:
-
Global Human Settlement Layer, es un proyecto desarrollado por el Centro Común de Investigación de la Comisión Europea (JRC) que tiene como objetivo proporcionar datos de alta resolución y análisis sobre los patrones de asentamiento humano en todo el mundo.
El GHSL utiliza datos de teledetección, imágenes satelitales y otras fuentes para generar mapas detallados y capas de información sobre diversos aspectos de los asentamientos humanos, como la distribución de población, la densidad urbana, las áreas construidas, entre otros. Estos datos son valiosos para una variedad de aplicaciones, incluyendo la planificación urbana, la gestión de desastres, la evaluación de riesgos y la investigación socioeconómica.
El GHSL se actualiza periódicamente y proporciona acceso a conjuntos de datos geoespaciales que son útiles para una amplia gama de usuarios, desde gobiernos hasta investigadores y organizaciones internacionales, que buscan comprender mejor la dinámica y la distribución de los asentamientos humanos a nivel global.
Estos datos geoespaciales pueden ser valiosos para la planificación urbana, la gestión de recursos, la respuesta a emergencias, la salud pública, la conservación ambiental y otras aplicaciones que requieran comprender dónde se encuentra y dónde no se encuentra la población.
Por lo tanto, sí, la fuente de datos GHSL puede ser relevante y proporcionar información valiosa sobre la presencia y ausencia de gente para los propósitos mencionados anteriormente y más allá.
Aquí te explico sobre cómo realizar un mapa de zonas habitadas e inhabitadas con R para el país de Colombia, este tutorial es posible replicarlo para el uso de R.
Los códigos es posible descargarlos desde esta página web (GITHUB): https://github.com/fabiolexcastro/tutorials_youtube/blob/master/popPresenceMap/make%20map%20population.R
Para asesoría personalizada:
El mapa que aprendemos a realizar en el vídeo tutorial:
-
El cambio climático es uno de los mayores desafíos que enfrenta la humanidad en la actualidad. El IPCC, una entidad científica de renombre mundial, ha lanzado su sexto informe, el cual nos brinda información detallada sobre el estado actual del clima global, sus proyecciones futuras y las posibles implicaciones para nuestro planeta.
Una de las herramientas más poderosas que utilizan los científicos para comprender y comunicar el cambio climático son los modelos climáticos. Estos modelos son complejos sistemas informáticos que simulan cómo interactúan diferentes variables climáticas, como la concentración de gases de efecto invernadero, la radiación solar y los patrones atmosféricos.
Los modelos de cambio climático son fundamentales para proyectar posibles escenarios futuros. Han mejorado significativamente en precisión y resolución a lo largo de los años gracias al avance tecnológico y a la recopilación de datos más precisos.
Uno de los aspectos esenciales que estos modelos nos muestran es el comportamiento de la temperatura máxima. La temperatura máxima es crucial, ya que puede tener efectos profundos en los ecosistemas, la salud humana y la viabilidad de la agricultura.
Los gráficos que representan el comportamiento de la temperatura máxima a lo largo del tiempo son herramientas poderosas para comunicar la magnitud y la velocidad del cambio climático. Estos gráficos pueden mostrar tendencias a largo plazo, patrones estacionales y variaciones regionales en la temperatura máxima.
Por ejemplo, un gráfico que ilustra el aumento de la temperatura máxima en diferentes regiones del mundo a lo largo de las décadas puede ayudarnos a comprender mejor cómo el cambio climático está afectando diferentes áreas geográficas de manera desigual.
Es esencial que estos gráficos sean claros, precisos y accesibles para que el público en general pueda entender fácilmente la gravedad del cambio climático y las acciones necesarias para abordarlo.
La importancia de estos modelos y gráficos radica en su capacidad para informar a los responsables de la toma de decisiones, a las comunidades y a cada individuo sobre la urgencia de reducir las emisiones de gases de efecto invernadero, adaptarse a los cambios climáticos inevitables y proteger nuestro precioso planeta.
En resumen, los modelos de cambio climático y los gráficos que ilustran el comportamiento de la temperatura máxima son herramientas cruciales para comprender, comunicar y abordar el cambio climático. Todos tenemos un papel que desempeñar para enfrentar este desafío global.
En ese orden de ideas quiero presentarles el siguiente vídeo tutorial en donde explico cómo realizar el gráfico ilustrado al inicio del vídeo.
Para asesorías personalizadas me puedes contactar al whatsapp.
-
En este tutorial realizamos la estimación de las geoformas del paisaje a partir de la altitud, todo esto a partir del uso del lenguaje de programación R en junte con el SIG (Sistemas de Información Geográfico) llamado SAGA, ambos software de orden gratuito y disponibles en la web para descarga.
Las geoformas del paisaje se refieren a las distintas características físicas y naturales de la superficie de la Tierra que pueden ser observadas y estudiadas en un área geográfica específica. Estas geoformas incluyen características como montañas, colinas, valles, mesetas, llanuras, cañones, ríos, entre otros. Por su parte, el Topographic Position Index (TPI) es una función que se utiliza en el análisis topográfico y en SIG para evaluar la posición relativa de un punto en el paisaje en función de su entorno del terreno. El TPI es una medida que se calcula comparando la elevación de un punto en particular con la elevación promedio de su entorno circundante, aquí una figura que ilustra un poco el proceso:
El cálculo del TPI generalmente implica los siguientes pasos:
- Definición del tamaño de la vecindad: se selecciona un radio o una ventana alrededor del punto de interés, y se calcula la elevación promedio de los puntos dentro de esa ventana, decir aquí, que entre más detallado (mayor resolución) sea mayor cantidad de categorías del terreno son posibles identificar.
- Raster de altitud, se resta la elevación del punto de interés a la elevación promedio de la vecindad. Esta diferencia representa la posición relativa del punto en comparación con su entorno inmediato. Si el resultado es positivo, el punto se encuentra en una posición más elevada que su entorno; sí el valor es negativo, está es una posición más baja.
El TPI se utiliza en diversas aplicaciones, como la cartografía, la geomorfología, la ecología y la gestión del paisaje. Puede ayudar a identificar áreas de interés, como depresiones, picos, cuencas, o lugares donde los cambios en la topografía son significativos.
Al final del tutorial en YouTube aprenderemos a realizar este gráfico para el país de Panamá.
Contacto:
-
El Índice de Thornthwaite es una herramienta importante en la climatología y la geografía que se utiliza para medir y evaluar la disponibilidad de agua en una región. Fue desarrollado por el climatólogo estadounidense Charles W. Thornthwaite en la década de 1940, propiamente en 1948. Este índice se centra en calcular el balance hídrico de un lugar, lo que significa que analiza la relación entre la precipitación y la evaporación potencial.
El índice se basa en la idea de que la cantidad de agua disponible en un área depende en gran medida de la diferencia entre las precipitaciones que recibe y la cantidad de agua que se evapora debido a las condiciones climáticas. Thornthwaite desarrolló ecuaciones que tienen en cuenta factores como la temperatura, la latitud, la altitud y la duración del día para estimar la evaporación potencial. Luego, se compara esta evaporación potencial con la precipitación real para determinar si un área es húmeda, semiárida o árida, lo que es esencial para la planificación del uso de la tierra y la gestión de los recursos hídricos.
En resumen, el Índice de Thornthwaite es una valiosa herramienta que ayuda a los científicos y planificadores a comprender las condiciones climáticas y la disponibilidad de agua en una región. Ayuda a tomar decisiones informadas sobre la agricultura, la gestión de recursos naturales y la planificación urbana, al evaluar si un área es adecuada para ciertas actividades en función de su balance hídrico. Este índice es esencial en un mundo donde la gestión sostenible de los recursos hídricos es cada vez más importante debido al cambio climático y la creciente demanda de agua.
Siguiendo con esto, les quiero presentar el tutorial que he realizado para el cálculo de está variable a partir del uso del lenguaje de programación de R, esto a nivel espacial.
Comunicación conmigo directa:
SIG con R 