A Unidade 6 é estruturada considerando os seguintes tópicos:
- Dados espaciais e geocodificação;
- Estrutura de dados espaciais;
- Como transformar dados não espaciais em espaciais
Esta atividade deverá ser realizada até dia 06/01. São propostas as seguintes atividades:
1. Chame os pacotes:
library(sf) # vector data package
library(dplyr) # tidyverse package for data frame manipulation
library(spData) # spatial data package
Os conjuntos de dados vetoriais geográficos são estruturados no R graças à classe sf, que estende o data.frame da base R. Como os data.frames, os objetos sf têm uma coluna por variável (como ’nome’) e uma linha por observação ou característica (por exemplo, por estação de ônibus). Os objetos sf diferem dos data.frame básicos porque têm uma coluna geométrica de classe sfc que pode conter uma gama de entidades geográficas (ponto único e ‘multi’, linha e características de polígono) por linha.
2. Siga os comandos a seguir para explorar e manipular dados geográficos com o pacote sf:
world é um sf data frame contendo colunas espaciais e de atributos, cujos nomes são retornados pela função names()(a última coluna deste exemplo contém as informações geográficas).
class(world)
names(world)
Veja o que acontece quando você roda o código a seguir:
world_agg1 = world %>%
group_by(continent) %>%
summarize(pop = sum(pop, na.rm = TRUE))
Copie o código abaixo e rode-o no seu .Rmd:
world_agg2 = world %>%
group_by(continent) %>%
summarize(pop = sum(pop, na.rm = TRUE), `area (sqkm)` = sum(area_km2), n = n())
O que quer dizer a representação gerada por você?
3. Junção de atributos vetoriais
world_coffee = left_join(world, coffee_data)
class(world_coffee)
plot(world_coffee["coffee_production_2017"])
E agora? O que aconteceu?
O que mudou quando você rodou o código a seguir?
coffee_renamed = rename(coffee_data, nm = name_long)
world_coffee2 = left_join(world, coffee_renamed, by = c(name_long = "nm"))
plot(world_coffee2["coffee_production_2017"])
4. Realize as atividades a seguir e responda as questões:
a. Crie um documento .Rmd para que você armazene o código gerado.
b. Carregue os dados e os pacotes
library(sf)
library(dplyr)
library(terra)
library(spData)
data(us_states)
data(us_states_df)
c. Crie um novo objeto chamado us_states_name que contenha apenas a coluna NAME do objeto us_states usando a sintaxe do tidyverse (select()). Qual é a classe do novo objeto e o que o torna geográfico?
d. Selecione colunas do objeto us_states que contenham dados da população e crie um novo objeto.
e. Encontre e plot (salve a figura) todos os estados com as seguintes características:
- Pertencem à região Centro-Oeste.
- Pertence à região Oeste, têm uma área abaixo de 250.000 km2 e em 2015 uma população maior que 5.000.000 de residentes (dica: você pode precisar usar as unidades funcionais::set_units() ou as.numeric()).
- Pertencente à região Sul, tinha uma área maior que 150.000 km2 ou uma população total em 2015 maior que 7.000.000 de residentes.
f. Qual era a população total em 2015 no conjunto de dados us_states? Qual era a população total, mínima e máxima em 2015?
g. Quantos estados existem em cada região?
h. Qual era a população total mínima e máxima em 2015 em cada região? Qual era a população total em 2015 em cada região?
i. Exclua o atributo “geometry” do dataframe us_states e crie um novo objeto chamado us_states_stats. Qual função foi utilizada e por quê? Qual variável é a chave em ambos os conjuntos de dados? Qual é a classe do novo objeto?
j. Qual era a densidade populacional em 2015 em cada estado? Qual foi a densidade de população em 2010 em cada estado?
k. Quanto a densidade populacional mudou entre 2010 e 2015 em cada estado? Calcule a mudança nas porcentagens e mapeie-as.
VOCÊ ESTÁ MANIPULANDO DADOS ESPACIAIS. MAS AINDA PRECISAMOS EVOLUIR PARA A ANÁLISE ESPACIAL DE DADOS, OK?
Créditos: Lovelace - Geocomputing (https://geocompr.robinlovelace.net/attr.html#exercises-1). Best book ever!