Aula da disciplina de Uso de dados espaciais em estudos ambientais, Universidade Federal do ABC (UFABC), março de 2020. Gravação de aula disponível em: https://youtu.be/ap7IcO2Icgs Base de dados disponíveis em: https://app.box.com/s/qf2hsg4b2uontvrawbk3el4fg9cxjufg

1. Operações com dados
espacias (vetor) em R
Ângela Terumi Fushita
Vitor Vieira Vasconcelos
Introdução ao uso de dados espaciais para estudos ambientais
Programa de Pós-Graduação em Ciência e Tecnologia Ambiental
Universidade Federal do ABC
Março, 2020
São Bernardo do Campo - SP

2. Conceitos anteriores
 Noções de cartografia
 Comandos plot, join,
manipulação de vetores e tabelas
 Dados vetoriais (formato sf)

3. Abrir o RStudio

4. É sempre recomendável verificar
atualizações nos pacotes instalados antes
de começar a trabalhar
Abrir o R Studio

5. Materiais de aula disponíveis em:
Baixar os dados em:
D:/R_CTA/aula4/
●
Pasta de nome curto, perto da raiz, sem
caracteres especiais, nem espaços
●
Não criar pasta em “Área de trabalho”,
“Meus documentos”, etc...
https://app.box.com/s/qf2hsg4b2uontvrawbk3el4fg9cxjufg

6. Novo projeto

8. D:/R_CTA
Aula4

9. Abrir script de código da aula:
aula4.R

10. Pacotes a serem utilizados
sf Formato espacial sf
units Atribuição e conversão de unidades de medida
xml2 Visualização de tabelas xml2
tidyr Manipulação de dados em tabelas
cleangeo Correção topológica
rmapshaper Simplificação e sobreposição de camadas
spatialEco Amostragem e métricas de paisagem
install.packages( ) Instala
library( ) Carrega na memória

11. Conteúdo
●
Áreas e distâncias
●
Operações com atributos
●
Agregação
●
Correção topológica
●
Simplificação de geometrias
●
Buffer e seleção espacial
●
Sobreposição de camadas (overlay)
●
Amostragem
●
União espacial (spatial join)

12. Livros
Mas, Jean-Francois,
Horta, M.B. Vasconcelos,
R. N. Análise espacial
com R. Feira de Santana:
UEFS Editora, 2019.
●
Operações básicas em
R para análise espacial
https://bit.ly/2KpSI7C
https://www.researchgate.net/publication/332865
022_Analise_espacial_com_R

13. Livros
Lovelace, Robin; Nowosad, J.;
Muenchow, J.
Geocomputation with R.
CRC Press. 2019.
https://geocompr.robinlovelace.net/
●
Conteúdo de referência:
– Dados vetoriais (sf) e raster
– Visualização

14. Livros
Bivand, Roger. S., Pebesma, E. J.,
Gomez-Rubio, V., & Pebesma, E.
J. (2013). Applied spatial data
analysis with R. New York:
Springer.
https://app.box.com/s/uti6bqyiscqp
oqu2dsmd06yk5xw5m9qw
Site de apoio:
https://asdar-book.org/
●
Conteúdo de referência
– Dados vetoriais e raster
(formato sp)
– Estatística espacial

16. Importação dos dados vetoriais
pocos_abc <- read_sf("abc.gpkg", layer="pocos_abc")
hidrografia_abc <- read_sf("abc.gpkg", layer="hidrografia_abc")
setores_abc_censo <- read_sf("abc.gpkg", layer="setores_abc_censo")
contaminadas_abc <- read_sf("abc.gpkg", layer="contaminadas_abc")
View(setores_abc_censo)

17. Padronizar a projeção cartográfica
st_crs(pocos_abc)
Coordinate Reference System:
No EPSG code
proj4string: "+proj=utm +zone=23 +south +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +units=m +no_defs"
st_crs(pocos_abc)<-31983
st_crs(hidrografia_abc)<-31983
st_crs(setores_abc_censo)<-31983
st_crs(contaminadas_abc)<-31983
Os dados estão em SIRGAS 2000 UTM 23S (EPSG 31983)
Vamos usar projeção UTM, mais adequada para cáculos de
área e distância

18. Plotar camadas para
conferir sobreposição
plot(st_geometry(setores_abc_censo))
plot(st_geometry(hidrografia_abc), add=TRUE, col="blue")
plot(st_geometry(contaminadas_abc), add=TRUE, col= "red")
plot(st_geometry(pocos_abc), add=TRUE, col= "green")

19. Calcular áreas e comprimentos
setores_abc_censo$area_m2<-st_area(setores_abc_censo)
View(setores_abc_censo)
hidrografia_abc$comprimento_m<-st_length(hidrografia_abc)
View(hidrografia_abc)

20. Cálculo de valores dos campos
e unidades de medida
setores_abc_censo$area_ha <- setores_abc_censo$area_m2/10000
View(setores_abc_censo)
setores_abc_censo$area_ha <- set_units(setores_abc_censo$area_ha, NULL)
View(setores_abc_censo)

21. Cálculo de valores dos campos
e unidades de medida
View(valid_udunits())

22. Cálculo de valores dos campos
e unidades de medida
setores_abc_censo$area_ha <-
set_units(setores_abc_censo$area_ha, "hectare")
View(setores_abc_censo)

23. Cálculo de valores dos campos
e unidades de medida
plot(setores_abc_censo["area_ha"], main="Area(ha)",
axes = TRUE, border = NA, cex.axis=0.5,
breaks = "fisher")

24. Atividade 1
A) Criar uma variável de densidade
demográfica, denominada
"pessoas_km2" para cada setor
censitário
B) Plotar um mapa da densidade
demográfica
Obs: submeta o código e a figura
gerados

25. Lidando com valores nulos (NA)
View(setores_abc_censo)
Ordenar por ordem crescente
de pessoas
Setores zerados Setores nulos
Censo 2010

26. plot(setores_abc_censo["Pessoas"])
Lidando com valores nulos (NA)

27. O que fazer com os
valores nulos e zerados?
●
Por que eles estão nulos ou zerados?
– Áreas desertas
– Falhas de preenchimento (interpolar?)
●
Faz sentido analisar esses elementos?
– Focar o estudo em áreas não desertas
– Trabalhar com amostras e não com universo dos dados
●
Os modelos aceitam dados faltantes ou zerados?
– Substituir por zero para agregar em áreas maiores
– Descartar para análise de vizinhança
– Dados zerados podem atrapalhar regressões

28. library(tidyr)
setores_abc_censo$Pessoas_sem_na <-
replace_na(setores_abc_censo$Pessoas,0)
View(setores_abc_censo)
Lidando com valores nulos (NA)

29. Agregação em tabelas
(…) (…) (…) (...)
https://data36.com/pandas-tutorial-2-aggregation-and-grouping/

30. Agregação espacial
https://www.earthdatascience.org/courses/use-data-open-source-python/intro-vector-data-python/vector-data-processing/dissolve-polygons-in-python-geopandas-shapely/

31. Agregação de setores para bairros
f1 <- function(x) sum(x)
bairros_abc_censo <-
aggregate(setores_abc_censo["Pessoas_sem_na"],
by=list(setores_abc_censo$CD_GEOCODB),
FUN = f1)
View(bairros_abc_censo)

32. Agregação de setores para bairros
plot(st_geometry(setores_abc_censo))
plot(st_geometry(bairros_abc_censo),
border="blue", add=T)

33. Agregação de setores para bairros
plot(bairros_abc_censo["Pessoas_sem_na"])

34. https://cran.r-project.org/web/packages/sf/vignettes/sf1.html
Correção topológica de
geometrias inválidas
Linha com
auto-interseção
Polígono com
auto-interseção
Polígono com
”ponta”

35. Buracos órfãos
(orphaned holes)

36. Correção topológica de
geometrias inválidas
bairros_sp <- as(bairros_abc_censo,"Spatial")
clgeo_IsValid(bairros_sp)
analise_topologica <- clgeo_CollectionReport(bairros_sp)
clgeo_SummaryReport(analise_topologica)
type valid issue_type
rgeos_error : 20 Mode :logical GEOM_VALIDITY: 15
rgeos_validity: 15 FALSE:35 ORPHANED_HOLE: 20
NA's :169 TRUE :169 NA's :169
[1] FALSE
Converte do
formato sf
para sp

37. View(analise_topologica)
[1] 1 3 4 5 6 10 11 13 15 19 22 25 63 64 83 87
88 93 105 118 126 129 162 168
[25] 171 173 175 176 178 179 181 183 184 186 187
clgeo_SuspiciousFeatures(analise_topologica)
Correção topológica de
geometrias inválidas

38. Correção topológica de
geometrias inválidas
bairros_clean <- clgeo_Clean(bairros_sp)
clgeo_IsValid(bairros_clean)
bairros_sf <- st_as_sf(bairros_clean)
plot(st_geometry(bairros_sf))
[1] TRUE
Converte do
formato sp para sf

39. Agregar ponderando pela área
setores_abc_censo$pessoas_km2_sem_na <-
replace_na(setores_abc_censo$pessoas_km2, 0)
bairros_abc_censo_densidade <-
st_interpolate_aw(setores_abc_censo["pessoas_k
m2_sem_na"], to = bairros_sf, extensive = FALSE)
View(bairros_abc_censo_densidade)
Variável a agregar
Camada com novas
geometrias
FALSE: agrega pela média
(ex: densidade)
TRUE: agrega pela soma
(ex: população)

40. Agregar ponderando pela área
plot(bairros_abc_censo_densidade["pessoas_km2_sem_na"])

41. Agregar ponderando pela área
setores_abc_censo$domicilios_sem_na <-
replace_na(setores_abc_censo$Domicilios,0)
bairros_abc_censo_domicilios <-
st_interpolate_aw(setores_abc_censo["domicilios_
sem_na"], to = bairros_sf, extensive = TRUE)
View(bairros_abc_censo_domicilios)
Variável a agregar
Camada com novas
geometrias
FALSE: agrega pela média
(ex: densidade)
TRUE: agrega pela soma
(ex: população)

42. Agregar ponderando pela área
plot(bairros_abc_censo_domicilios["domicilios_sem_na"])

43. Atividade 2
A) Agregar a variável "Domicilios" por
município (identificado pelo atributo
CD_GEOCODM) e plotar um mapa pelo
método de intervalos "pretty"
B) Fazer a agregação ponderada pela
area para porcentagem de cobertura de
rede de esgoto ("rede_esg") pela área do
município e plotar um mapa pelo método
de intervalos iguais

44. Simplificação cartográfica
Cecconi, A. and Galanda, M., 2002, December. Adaptive zooming in web
cartography. In Computer Graphics Forum (Vol. 21, No. 4, pp. 787-799).
Oxford, UK: Blackwell Publishing, Inc.

45. Escala -> Resolução
Escala
Resolução horizontal aproximada (m)
Mapas
Impressos
Interpretação
Digital
Objeto Mínimo
Detectável
1:1.000.000 200 500 1.000
1:450.000 90 225 450
1:250.000 50 125 250
1:100.000 30 50 100
1:50.000 10 25 50
1:25.000 5 12,5 25
1:10.000 2 5 10
IMHOF, E. Cartographic relief presentation. ESRI, 2007.
TOBLER, Waldo. 1987. “Measuring Spatial Resolution”, Proceedings, Land Resources Information Systems Conference, Beijing, pp. 12-16.
TOBLER, Waldo. 1988. “Resolution, Resampling, and All That”, pp. 129-137 of H. Mounsey and R. Tomlinson, eds., Building Data Bases for Global
Science, London, Taylor and Francis

46. Simplificação cartográfica
hidrografia_simplificada <-
st_simplify(hidrografia_abc, dTolerance = 125,
preserveTopology = TRUE)
Distância mínima
entre vértices
Manter conexão entre elementos 125 metros =
resolução para
escala 1:250.000

47. par(mfrow=c(1,2))
plot(st_geometry(hidrografia_abc))
plot(st_geometry(hidrografia_simplificada))
par(mfrow=c(1,1))
Simplificação cartográfica
2 mapas lado a lado (1 linha e 2 colunas)
Retorna para 1 mapa por tela

48. Atividade 3
Simplificar a camada agregada
por municípios para escala
1:1.000.000.
Plotar dois mapas, lado a lado,
para comparar a camada original
com a simplificada

49. Simplificação cartográfica
library(rmapshaper)
municipios_simplificado_ms <-
ms_simplify(municipios_abc_censo, keep = 0.05)
Mantém 5% dos
vértices originais

50. par(mfrow=c(1,3))
plot(st_geometry(municipios_abc_censo))
plot(st_geometry(municipios_simplificado))
plot(st_geometry(municipios_simplificado_ms))
par(mfrow=c(1,1))
Simplificação cartográfica
3 mapas lado a lado (1 linha e 3 colunas)
Retorna para 1 mapa por tela

51. Atividade 4
Analisar a correção
topológica da camada
municipios_simplificado_ms,
e corrigir, se necessário

52. Análise de distância
distancia_pocos_contaminacao <-
st_distance(pocos_abc,contaminadas_abc)
View(distancia_pocos_contaminacao)
Áreas contaminadas
Poços
Grupos de 50 colunas

53. Buffer
(zona de amortecimento)
contaminadas_buff<-
st_buffer(contaminadas_abc, 250)
Raio do
buffer
Campbell, Jonathan E., and Michael Shin. Essentials of geographic information systems. Saylor books, 2011
https://saylordotorg.github.io/text_essentials-of-geographic-information-systems/s11-01-single-layer-analysis.html

54. Buffer (zona de amortecimento)
plot(st_geometry(contaminadas_buff), col="red")
plot(st_geometry(contaminadas_abc), pch=20,
cex=0.5, col="pink", add=T)

55. Buffer (zona de amortecimento)
View(contaminadas_buff)

56. Seleção espacial
Quais poços estão dentro do buffer de áreas
contaminadas?
plot(st_geometry(pocos_abc), pch=20,
cex=0.8, add=T)

57. https://scialert.net/fulltext/?doi=itj.2014.801.815
Consultas topológicas
Touches
Touches
Touches

58. Consultas topológicas
st_intersects()
st_disjoint()
st_touches()
st_crosses()
st_within()
st_contains()
st_contains_properly()
st_overlaps()
st_equals()
st_covers()
st_covered_by()
st_equals_exact(x, y, par)
st_is_within_distance(x, y, dist)
Está no interior mas não toca as bordas
Quase igual, com tolerância
Se sobrepõe ou encosta de alguma maneira

59. Seleção espacial
pocos_contaminacao <-
st_intersects(pocos_abc, contaminadas_buff)
View(pocos_contaminacao) Número do buffer
de contaminação

60. Seleção espacial
contaminacao <-
st_is_within_distance(contaminadas_abc, pocos_abc,
dist=250)
View(contaminacao) Número do poço
a 250 metros

61. Seleção espacial
pocos_contaminados <-
pocos_abc[contaminadas_buff, op=st_intersects]
plot(pocos_contaminados,pch=20,cex=0.8,col="yellow",
add=T)

62. Envoltória (convex hull)
zona_pocos <-
st_convex_hull(st_union(pocos_contaminados))
envoltória agrupa
todos os
elementos
plot(st_geometry(zona_pocos), border="purple",
lwd=3, add=T)

63. União de geometrias
abc <- st_union(municipios_simplificado_ms)
plot(st_geometry(abc), add=T)

64. Atividade 5
A) Fazer um buffer com a áreas de preservação
permanente (APP) de 30 metros dos cursos de
água
B) Criar uma camada com os trechos de APPs
potencialmente contaminados, que estão a 100
metros de áreas contaminadas
C) Montar um mapa com as APPs totais em
fundo verde e borda verde, e APPs
potencialmente contaminadas com fundo
vermelho e borda vermelha
D) Fazer um polígono envolvente das APPs
potencialmente contaminadas, e sobrepor ao
mapa gerado na etapa anterior (C)

65. Sobreposição de Camadas
(overlay)

67. Sobreposição de camadas
bacia_tamanduatei <- read_sf("abc.gpkg",
layer="bacia_tamanduatei")
st_crs(bacia_tamanduatei)<-31983

68. Sobreposição de camadas
plot(st_geometry(bacia_tamanduatei), col="pink")
plot(st_geometry(setores_abc_censo),add=T)

69. Sobreposição de camadas
setores_crop_tamanduatei <-
st_crop(setores_abc_censo,bacia_tamanduatei)
plot(st_geometry(bacia_tamanduatei), col="pink")
plot(st_as_sfc(st_bbox(bacia_tamanduatei)), add=T)
plot(st_geometry(setores_crop_tamanduatei), add=T)
Retângulo envolvente
Transforma
retângulo em
geometria espacial

70. Interseção de camadas
https://desktop.arcgis.com/en/arcmap/latest/tools/analysis-toolbox/intersect.htm

71. Interseção de camadas
https://desktop.arcgis.com/en/arcmap/10.3/tools/coverage-toolbox/how-intersect-works.htm

72. Interseção de camadas
setores_tamanduatei <-
st_intersection(setores_abc_censo,bacia_tamanduatei)
plot(st_geometry(bacia_tamanduatei), col="pink")
plot(st_geometry(setores_tamanduatei), add=T)

73. Interseção de camadas
View(setores_tamanduatei)
Atributos dos
setores censitários
Atributos da
bacia

74. Diferença de camadas
Campbell, Jonathan E., and Michael Shin. Essentials of geographic information systems. Saylor books, 2011
https://saylordotorg.github.io/text_essentials-of-geographic-information-systems/s11-geospatial-analysis-i-vector-o.html

75. Diferença de camadas
setores_sem_tamanduatei <-
st_difference(setores_abc_censo, bacia_tamanduatei)
plot(st_geometry(setores_sem_tamanduatei))
plot(st_geometry(bacia_tamanduatei), col="pink",
add=T)

76. Revendo os comandos
Lovelace, Robin; Nowosad, J.; Muenchow, J. Geocomputation with R. CRC Press. 2019.
https://geocompr.robinlovelace.net/geometric-operations.html

77. Anexar camadas
setores_todos <- rbind(setores_tamanduatei,
setores_sem_tamanduatei)
plot(st_geometry(setores_todos))
Junta linhas (objetos),
mas colunas devem ser iguais

78. Atividade 6
A) Carregue a camada da subbacia do rio dos
Couros (bacia_couros) no geopackage “abc” e
atribua a projeção Sirgas 2000 UTM 23S (EPSG
31983)
B) Apague na camada da bacia do rio
Tamanduateí, a área correspondente à sub-bacia
do rio dos Couros
C) Junte a camada construída em B com a
subbacia do rio dos Couros, em uma única
camada sf (dica: as colunas devem ser iguais)
D) Faça um mapa com a bacia do rio Tamanduateí
junto com a sub-bacia do Rio dos Couros

79. Pontos em Polígonos
Centróide = centro geométrico,
baricentro,
centro de gravidade,
centro de massa
Média geométrica de
todos os pontos
(ou vértices) em um
elemento
https://en.wikipedia.org/wiki/Centroid#/media/File:Triangle.Centroid.svg

80. Pontos em Polígonos
Centróide
Média geométrica de todos os pontos (ou
vértices) em um elemento
http://93.187.166.52:8081/opengeo-docs/processing/processes/vector/centroid.html

81. Pontos em Polígonos
Média geométrica de todos os pontos
(ou vértices) em um elemento
https://gis.stackexchange.com/questions/22739/finding-center-of-geometry-of-object

82. Centróide
centroide_setor<-st_centroid(setores_abc_censo)
plot(st_geometry(setores_abc_censo))
plot(st_geometry(centroide_setor), cex=0.4,
col="blue", add=T)

83. Centróide
View(centroide_setor)
coord<-st_coordinates(centroide_setor)
View(coord)

84. Centróide
class(coord)
coord<-as.data.frame((coord))
class(coord)
centroide_setor$UTMX<-coord$X
centroide_setor$UTMY<-coord$Y
View(centroide_setor)
[1] "matrix"
[1] "data.frame"

85. Centróide
http://93.187.166.52:8081/opengeo-docs/processing/processes/vector/centroid.html

86. Ponto interno ao polígono
st_point_on_surface st_centroid
http://www.h2gis.org/docs/dev/ST_PointOnSurface/

87. Ponto sobre polígono
ponto_no_setor<-
st_point_on_surface(setores_abc_censo)
plot(st_geometry(setores_abc_censo))
plot(st_geometry(ponto_no_setor), cex=0.4,
col="red", add=TRUE)

88. Atividade 7
Copiar as variáveis com as
coordenadas X e Y para a
camada sf
"ponto_no_setor"

89. União espacial (spatial join)
York, R. Spatial Joins (Chapter 6). 2018. https://slideplayer.com/slide/12316942/

90. União espacial (spatial join)
contaminacao_social <- st_join(contaminadas_abc,
setores_abc_censo, join = st_intersects, left=T)
View(contaminacao_social)
Elemento que vai
receber atributos
Elemento que cede
atributos
Consulta espacial T = Left Join
(mantém todos
elementos)
F = Inner join
(mantém apenas
elementos recebem
atributos)

91. Atividade 8
A) Fazer um inner join
(opção left=FALSE), para trazer as
informações de contaminação apenas
para os poços que estão dentro do
buffer de 250m das áreas contaminadas
B) Plotar os poços totais do ABC em
preto, sobrepondo os poços em que foi
feito o inner join em vermelho

92. Ronald Fisher
William Gosset
“Student”
Hurlbert, S.H., 1984. Pseudoreplication and the design of ecological field experiments. Ecological monographs, 54(2), pp.187-211.
Amostragem

93. Amostragem
mun_abc <- read_sf("abc.gpkg", layer="mun_abc")
st_crs(mun_abc)<-31983
aleatorio <- st_sample(mun_abc, 20, type = "random")
plot(st_geometry(mun_abc))
plot(st_geometry(aleatorio), pch=20, col="red", add=T)
Amostras
Tipo de
amostragem

94. Amostragem
hexagonal <- st_sample(mun_abc, 20,
type = "hexagonal")
plot(st_geometry(mun_abc))
plot(st_geometry(hexagonal), pch=20,
col="blue", add=T)
Amostras
Tipo de
amostragem

95. Atividade 9
Faça 2 mapas de 200
amostragens, no formato
aleatório e hexagonal

96. Ronald Fisher
William Gosset
“Student”
Hurlbert, S.H., 1984. Pseudoreplication and the design of ecological field experiments. Ecological monographs, 54(2), pp.187-211.
Amostragem

97. Amostragem estratificada
espacialmente
library(spatialEco)
mun_sp <- as(mun_abc,"Spatial")
estratificado_sp <-
sample.poly(mun_sp, n=10, type="random")
estratificado_sf <- st_as_sf(estratificado_sp)
Amostras
por polígono
Tipo de
amostragem
Converte para
formato sp
Converte para
formato sf

98. Amostragem estratificada
espacialmente
plot(st_geometry(mun_abc))
plot(st_geometry(estratificado_sf), pch=20,
col="green", add=T)

99. Atividade 10
Faça a amostragem
estratificada espacialmente
no formato hexagonal e
compare com a
estratificada aleatória

100. Para a próxima aula:
Leitura dos capítulos 7 e 8 do livro
CÂMARA, Gilberto; DAVIS, Clodoveu;
MONTEIRO, Antônio Miguel Vieira.
Introdução à ciência da geoinformação. 2001.
http://www.dpi.inpe.br/gilberto/livro/introd/