CURSO: Programación 2020
Profesor: Ing. geógrafo Roy Yali
INTEGRANTES:
| Alumno | Código |
|---|---|
| Bautista Rojas Jhon Edmirando | 18160045 |
| Flores Marcos Lucy Angie Sharon | 18160193 |
| Hinostroza Camones Gabriela Isabel | 18160037 |
| Pfuturi Huarcaya Saul Oscar | 18160041 |
| Ysuhuaylas Segovia Luis Eduardo | 18160044 |
Table of Contents
[TOCM]
[TOC]
library(ggplot2) library(tidyverse)
data <- read.csv("C:/Users/NEYSSER/Desktop/ciclo _5 _IG/porcentaje_sin_ingresos_propios.csv")
head(data)
Para fundir o agrupar los datos de las zonas rurales y urbanas en comparacion con los años y su porcentaje luego dejamos intacto los datos a nivel nacional, y con head podemos visualizar los datos parcialmente
df <- data %>% gather(key = "Zona", value = "Porcentaje", -Año, -Nac_Mujeres, -Nac_Hombres) head(df)
Para colocarlo en el aes y agruparlo, darle color según ello..
ggplot(df, aes(Año, Porcentaje, group = Zona)) + geom_line(aes(color = Zona))
Puede visualizar el siguiente grafico, dando click aquí
Como vemos en el grafico nos hes un poco dificil relacionar o encontrar cual linea representa cada valor. Asi que modificaremos el grafico con las distintas posibilidades que nos ofrece ggplot
n <- ggplot(df, aes(Año, Porcentaje, group = Zona)) +
geom_line(aes(linetype = Zona, color= Zona)) +
geom_point(alpha = .2) +
ggtitle("PERÚ: Mujeres y hombres sin ingresos propios, según ámbito geográfico") + labs(caption="Realizado por: Grupo B - Fuente: INEI (datos abiertos)") +
xlab("") + ylab("Personas sin ingresos propios (porcentaje)") +
scale_x_continuous(breaks = seq(2007, 2018, 1)) +
scale_y_continuous( breaks = seq(10, 60, 5) ) +
annotate("text", x = 2017, y = 45, label = "Rural Mujeres", color = "#792427", fontface = "bold", size = 4.5) +
annotate("text", x = 2015, y = 30, label = "Urbano Mujeres", color = "#545058", fontface = "bold", size = 4.5) +
annotate("text", x = 2016, y = 14, label = "Rural Hombres", color = "#D73815", fontface = "bold", size = 4.5) +
annotate("text", x = 2017.8, y = 11, label = "Urbano Hombres", color = "#2B818E", fontface = "bold", size = 4.5) +
theme_bw() +
theme(legend.position = "none")
n
## Puede visualizar el siguiente gráfico dando click aquí
Podria ser que las mujeres de area rural son mayor porcentaje en cuanto a no contar con ingresos propios aunque en los ultimos años tiene tendendia a bajar. Los hombres de las zonas rurales y urbanas tienen un aproximado porcentaje en los ultimos años
library(rgee) library(mapview) library(mapedit) library(tidyverse) library(sf) library(raster)
ee_Initialize()
Mediante el uso de mapview y editmap, luego selecionamos todos sus atributos
area <- mapview() %>% editMap() area_sf <- area$all
Para ver el area seleccionada puede dar click aquí
Exportamos como un objeto Earth Engine
area_ee <- sf_as_ee(area_sf)
Para extraer la temperatura y salinidad a nivel de la superficie del mar. Filtramos la media de los datos.
imagen <- ee$ImageCollection("HYCOM/sea_temp_salinity")$ filterDate(ee$Date("2018-01-01"), ee$Date("2018-01-31"))$ mean()
area_stack <- ee_as_raster(image = imagen, region = area_ee$geometry())
area_temp <- area_stack[["water_temp_0"]] mar_salinidad <- area_stack[["salinity_0"]]
Aunque las unidades de la temperatura esten en grados centrigrados podemos obtener la escala apropiada con los valores que nos ofrece la tabla de las bandas del dataset en GEE
Puede visualizar el area seleccionada dando click aquí
puntos <- mapview(area_sf) %>% editMap() puntos_sf <- punto$all
Puede ver los puntos seleccionados dando click aquí
9. Con estas lineas codigo extraemos los valores de latitud y longitud del "sf" y guardamos con el mismo nombre
puntos_sf <- puntos_sf %>% mutate(lon = unlist(map(puntos_sf$geometry,1)), lat = unlist(map(puntos_sf$geometry,2)))
Con el archivo raster descargado de GEE a los puntos seleccionados anteriormente. Los nombres de las columnas lo definimos añadiendole despues del simbolo del dolar
puntos_sf$temp <- raster::extract(mar_temperatura, puntos_sf) puntos_sf$sal <- raster::extract(mar_salinidad, puntos_sf)
puntos_sf <- st_read("C:/Users/NEYSSER/Desktop/trabajo final progra/puntos_sf.shp")
puntos_sf
puntos_data <- puntos_sf %>% as_tibble() %>% dplyr::select(lat, lon, temp, sal) head(puntos_data)
pairs(puntos_data)
cor(puntos_data)
regresion_salinidad <- lm(lat ~ sal, data = puntos_data) summary(regresion_salinidad)
plot(puntos_data$sal, puntos_data$lat, main = "Latitud vs Salinidad superficial", ylab = "Latitud", xlab = "Salinidad (psu)", col = "blue") abline(regresion_salinidad)
plot(salinidad)
puede visualizar el siguiente grafico dando click aquí
regresion_temperatura <- lm(lat ~ temp, data = puntos_data) summary(regresion_temperatura)
plot(puntos_data$temp, puntos_data$lat, main = "Latitud vs Temperatura superficial", ylab = "Latitud", xlab = "Temperatura (°C)", col = "blue") abline(regresion_temperatura, col = "red")
plot(temperatura)
**Puede visualizar el siguiente gráfico dando click aquí **
###End