-
Notifications
You must be signed in to change notification settings - Fork 0
/
lourenco.Rmd
963 lines (746 loc) · 34.9 KB
/
lourenco.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
---
title: "Garimpo do Lorenço"
author: "Darren Norris"
date: "`r Sys.setlocale('LC_TIME', 'Portuguese'); format(Sys.time(), '%d %B, %Y')`"
output:
bookdown::pdf_document2:
toc: yes
toc_depth: 3
number_sections: yes
dev: "cairo_pdf"
extra_dependencies: flafter
highlight: tango
includes:
in_header: preamble.txe
bookdown::html_document2:
toc: yes
toc_depth: 3
toc_float: yes
fig_caption: yes
highlight: tango
includes:
in_header: _bookdown.yml
urlcolor: blue
toc-title: Sumário
header-includes:
- \counterwithin{figure}{section}
---
```{r setup, include=FALSE}
library(knitr)
knitr::opts_chunk$set(
echo = TRUE, collapse = TRUE,
comment = "#>"
)
def_hook <- knit_hooks$get("output")
knit_hooks$set(output = function(x, options) {
out <- def_hook(x, options)
return(paste("\\begin{framed}\\begin{verbatim}", x, "\\end{verbatim}\\end{framed}", collapse = "\n"))
})
knitr.table.format = "latex"
```
\newpage{}
# Apresentação
Mudanças na paisagem ao redor do Garimpo do Lourenço.
Changes in the landscape surrounding the Lourenço gold mine.
<img align="right" src="figures/www/lourenco_metrics.jpg" alt="Gold mine" width="300" style="margin-top: 20px">
Código de [R](https://cran.r-project.org/) e dados para calcular
métricas de paisagem associadas com a exploração de recursos minerários.
O objetivo é calcular métricas de paisagem e descrever a composição e
a configuração da paisagem no entorno do Garimpo do Lourenço.
As métricas de paisagem são a forma que os ecólogos de paisagem usam
para descrever os padrões espaciais de paisagens para depois avaliar
a influência destes padrões espaciais nos padrões e processos ecológicos.
Nesta exemplo (https://rpubs.com/darren75/lourenco) aprenderemos sobre como analisar a cobertura da terra com métricas de paisagem em R.
Este exemplo tem como base teórica o modelo
"mancha-corredor-matriz" - uma representação da paisagem em manchas
de habitat (fragmentos).
\newpage
## Organização
Os dados aqui apresentados (gráficos, mapas) representam conteúdo do
domínio público, disponibilizados pelos institutos, órgãos e entidades
federais, estaduais e privados ([IBGE](https://www.ibge.gov.br/), [MapBiomas](https://mapbiomas.org/), [Agência Nacional de Mineração](https://dados.gov.br/dataset/sistema-de-informacoes-geograficas-da-mineracao-sigmine) ). O conteúdo está apresentado para divulgação ampla,
respetiando as obrigações de transparência, assim para agilizar e
facilitar ensino e o desenvolvimento técnico científco. O conteúdo não
representar versões ou produtos finais e não devem ser apresentados/relatados/compartilhados/interpretados como conclusivos.
Os gráficos e mapas ficam na pasta [figures](https://github.com/darrennorris/Amapa-mine/tree/main/figures) (formato .png e .tif), dados geoespaciais "vector" na pasta [vector](https://github.com/darrennorris/Amapa-mine/tree/main/data/vector) (formato shapefile e GPKG) e "raster" na pasta [raster](https://github.com/darrennorris/Amapa-mine/tree/main/data/raster).
### Organização do codigo no tutorial
O tutorial está organizado em etapas de processamento, com blocos de código em caixas cinzas:
```{r, eval=FALSE}
codigo de R para executar
```
Para segue os passos, os blocos de código precisam ser executados em sequência. Se você pular uma etapa, ou rodar fora de sequência o próximo bloco de código provavelmente não funcionará.
As linhas de codigo de R dentro de cada caixa tambem preciso ser executados em sequência. O simbolo `r kableExtra::text_spec("#", bold = TRUE)` é usado para incluir comentarios sobre os passos no codgio. Ou seja, linhas começando com `r kableExtra::text_spec("#", bold = TRUE)` são ignorados por R, e não é codigo de executar.
```{r, eval=FALSE}
# Passo 1
codigo de R passo 1 # texto e numeros tem cores diferentes
# Passo 2
codigo de R passo 2
# Passo 3
codigo de R passo 3
```
Alem disso, os simbolos `r kableExtra::text_spec("#>", bold = TRUE)` e/ou `r kableExtra::text_spec("[1]", bold = TRUE)` no início de uma linha indica o resultado que você verá no console de R depois de rodar o codigo, como no proximo exemplo. Digite o código abaixo e veja o resultados (passos 1 a 4).
```{r, echo=TRUE, results='asis', evaluate = TRUE, collapse = TRUE}
# Passo 1
1+1
# Passo 2
x <- 1+1
# Passo 3
x
# Passo 4
x + 1
```
\newpage
# Pacotes necessarios:
```{r load-packages, warning=FALSE, message=FALSE}
library(tidyverse)
library(readxl)
library(terra)
library(sf)
library(landscapemetrics)
library(mapview)
library(knitr)
library(kableExtra)
library(gridExtra)
```
# Área de estudo
Para alcançar o objetivo de caracterizar a paisagem no entorno do
Garimpo do Lourenço, precisamos estabelecer a extensão da área de estudo.
Isso seria estabelicida com base nos objetivos e estudos anteriores.
Sabemos que atividades asociados com a mineração pode aumentar a perda
da floresta até 70 km além dos limites do processo de mineração:
Sonter et. al. 2017.
Mining drives extensive deforestation in the Brazilian Amazon
https://www.nature.com/articles/s41467-017-00557-w
Para visualizar um exemplo com a [Extração de bauxita na Flona Saracá-Taquera](https://cpisp.org.br/mais-uma-uc-na-amazonia-sob-risco-mineracao-ameaca-flona-saraca-taquera-no-para/):
https://earthengine.google.com/timelapse/#v=-1.70085,-56.45017,8.939,latLng&t=2.70
E aqui com o Garimpo do Lourenço:
https://earthengine.google.com/timelapse#v=2.2994,-51.68423,11.382,latLng&t=0.03
# Dados
## Ponto de referência (EPSG: 4326)
Aqui vamos incluir um raio de 20 km além do ponto de acesso para
o Garimpo do Lourenço em 1985.
Isso representa uma área quadrada de 40 x 40 km (1600 km2).
```{r access-point}
# Tabela de dados com coordenados de acesso em 1985.
acesso <- data.frame(nome = "garimpo do Lourenço",
coord_x = -51.630871,
coord_y = 2.318514)
# Converter para objeto espacial, com sistema de coordenados geográfica.
sf_acesso <- st_as_sf(acesso,
coords = c("coord_x", "coord_y"),
crs = 4326)
```
Visualizar para verificar.
```{r show-fig-map, eval=FALSE}
#
plot(sf_acesso) # teste basica
mapview(sf_acesso) #verificar com mapa de base (OpenStreetMap)
```
```{r plot-fig-map, echo=FALSE, warning=FALSE, message=FALSE, out.width="80%", out.height="80%"}
knitr::include_graphics("figures/fig_garimpo_access.png")
```
## Ponto de referência (EPSG: 31976)
As análises da paisagem com o modelo "mancha-corredor-matriz" depende
de uma classificação categórica. Portanto, deve
optar para uma sistema de coordenados projetados, com pixels de
área igual e com unidade em metros. Temos um raio de 20 km, que é um area geografica onde o retângulo envolvente é menor que um fuso [UTM](https://forest-gis.com/2016/06/um-pouco-sobre-a-projecao-utm.html/).
Assim sendo, vamos adotar a sistema de coordenados projetados de
datum SIRGAS 2000, especificamente EPSG:31976 (SIRGAS 2000/UTM zone 22N).
Precisamos então reprojetar o objeto original (em coordenados geográficas)
para a sistema de coordenados projetados. Em seguida, vamos produzir
um polígono com raio de 20 km no entorno do ponto.
```{r crs-reproject}
# Reprojetar o ponto.
sf_acesso_utm <- st_transform(sf_acesso, crs = 31976)
# Polígono com raio de 500 metros no entorno do ponto.
sf_acesso_500m <- st_buffer(sf_acesso_utm, dist=500) %>%
mutate(raio_km = 0.5)
# Polígono com raio de 1 km no entorno do ponto.
sf_acesso_1km <- st_buffer(sf_acesso_utm, dist=1000) %>%
mutate(raio_km = 1)
# Polígono com raio de 2 km no entorno do ponto.
sf_acesso_2km <- st_buffer(sf_acesso_utm, dist=2000) %>%
mutate(raio_km = 2)
# Polígono com raio de 4 km no entorno do ponto.
sf_acesso_4km <- st_buffer(sf_acesso_utm, dist=4000) %>%
mutate(raio_km = 4)
# Polígono com raio de 20 km no entorno do ponto.
sf_acesso_20km <- st_buffer(sf_acesso_utm, dist=20000)
acesso_buffers <- bind_rows(sf_acesso_500m, sf_acesso_1km,
sf_acesso_2km, sf_acesso_4km)
```
### Verificar com mapa de base (OpenStreetMap).
```{r show-fig-reproject, eval=FALSE}
#
mapview(sf_acesso_20km) +
mapview(sf_acesso_utm, color = "black", col.regions = "yellow")
```
```{r plot-fig-pointbuffer, echo=FALSE, warning=FALSE, message=FALSE, out.width="80%", out.height="80%"}
knitr::include_graphics("figures/mapview_point_buffer.png")
```
## Dados: MapBiomas cobertura da terra
Agora vamos olhar cobertura e uso da terra no espaco que preciso (área de estudo).
Para isso, vamos utilizar um arquivo de raster do projeto [MapBiomas](https://mapbiomas.org/)
com cobertura de terra ao redor do Garimpo do Lourenço em 1985.
Este arquivo no formato raster, tem apenas valores inteiros, em que
cada célula/pixel representa uma área considerada homogênea,
como uso do solo ou tipo de vegetação.
Arquivo ".tif" disponível aqui: [utm_cover_AP_lorenco_1985.tif](https://github.com/darrennorris/Amapa-mine/blob/main/data/raster/Mapbiomas_cover_lourenco_utm/utm_cover_AP_lorenco_1985.tif)
Não vamos construir mapas, portanto os cores nas visualizações
não corresponde ao mundo real (por exemplo, verde não é floresta).
Para visualizar em QGIS preciso baixar um arquivo com a legenda e cores
para Coleção¨6 (https://mapbiomas.org/codigos-de-legenda) e
segue tutoriais: https://www.youtube.com/watch?v=WtyotodHK8E .
Este vez, a entrada de dados espaciais seria atraves a importação de
um raster (arquivo de .tif). Lembre-se, para facilitar, os arquivos deve
ficar no mesmo diretório do seu código
(verifique com <code>getwd()</code>).
Como nós já sabemos a sistema de coordenados desejadas,
o geoprocessamento da raster foi concluído antes de começar com as
análises da paisagem.
```{r , eval=FALSE}
r1985 <- rast("utm_cover_AP_lorenco_1985.tif")
r1985
#class : SpatRaster
#dimensions : 1341, 1341, 1 (nrow, ncol, nlyr)
#resolution : 29.87713, 29.87713 (x, y)
#extent : 409829.5, 449894.7, 236241.1, 276306.3 (xmin, xmax, ymin, ymax)
#coord. ref. : SIRGAS 2000 / UTM zone 22N (EPSG:31976)
#source : utm_cover_AP_lorenco_1985.tif
#name : classification_1985
#min value : 3
#max value : 33
```
Ou use o função <code>file.choose()</code>, que faz a busca
para arquivos.
```{r, eval=FALSE}
r1985 <- rast(file.choose())
r1985
```
```{r, echo=FALSE}
r_85 <- "data/raster/Mapbiomas_cover_lourenco_utm/utm_cover_AP_lorenco_1985.tif"
r1985 <- rast(r_85)
# 2003
r_03 <- "data/raster/Mapbiomas_cover_lourenco_utm/utm_cover_AP_lorenco_2003.tif"
# 2020
r_20 <- "data/raster/Mapbiomas_cover_lourenco_utm/utm_cover_AP_lorenco_2020.tif"
# combinação com os 3 arquivos para juntar 3 anos
r_85a20 <- c(r_85, r_03, r_20)
mapbiomas_85a20 <- rast(r_85a20)
gc()
```
Agora que o arquivo foi importado, podemos visualizá- lo.
```{r fig-plot-raster, warning = FALSE, message=FALSE}
# Visualizar para verificar
# Gradiente de cores padrão não corresponde
# ao mundo real (por exemplo verde não é floresta)
plot(r1985, type="classes")
plot(sf_acesso_20km, add = TRUE, lty ="dashed", color = "black")
plot(sf_acesso_utm, add = TRUE, cex = 2, pch = 19, color = "black")
```
# Calculo de métricas
Vamos olhar alguns exemplos de métricas para cada nível da análise:
* landscape (métricas para a paisagem como um todo).
* class (métricas por classe ou tipo de habiat).
* patch (para a mancha ou fragmento).
Primeiro, pecisamos verificar se o raster está no formato correto.
```{r, warning = FALSE}
check_landscape(r1985)
# layer crs units class n_classes OK
# 1 projected m integer 7 v
```
Tudo certo (veja a coluna do "OK")!
## Métricas para a paisagem
Vamos começar avaliando a área total da paisagem (área) de estudo.
```{r, warning = FALSE}
area.total <- lsm_l_ta(r1985)
area.total #160264 Hectares
```
Agora vamos ver a distância total de borda (te= “total
edge”).
```{r, echo = FALSE}
gc()
```
```{r, warning = FALSE}
te <- lsm_l_te(r1985)
te # 547140 metros
```
Total de borda mede a configuração da paisagem porque uma paisagem
altamente fragmentada terá muitas bordas. No entanto, a borda total
é uma medida absoluta, dificultando comparações entre paisagens com
áreas totais diferentes. Mas pode ser aplicado para comparar a
configuração na mesma paisagem em anos diferentes.
Agora vamos ver a densidade de Borda (“Edge Density”).
Densidade de Borda mede a configuração da paisagem porque uma paisagem
altamente fragmentada terá valores mais altas. "Densidade" é uma medida
adequado para comparacoes de paisagens com áreas totais diferentes.
```{r, warning = FALSE}
ed <- lsm_l_ed(r1985)
ed #3.41 metros por hectare
```
## Métricas para as classes
Area de cada classe em hectares.
```{r, warning = FALSE}
lsm_c_ca(r1985)
```
Como tem varios classes é dificil de interpretar os resultados porque
os numeros (3, 4, 11.....) não tem uma referncia do mundo real.
Para entender os resultados, precisamos acrescentar nomes para os valores.
Ou seja incluir uma coluna de legenda com os nomes para cada classe. Para isso
precisamos outro arquivo com os nomes.
Baixar a arquivo de legenda: [mapbiomas_6_legend.xlsx](https://github.com/darrennorris/Amapa-mine/blob/main/data/raster/Mapbiomas_cover_lourenco_utm/mapbiomas_6_legend.xlsx).
Agora carregar o arquivo com o codigo a seguir.
```{r, eval=FALSE, warning = FALSE}
class_nomes <- read_excel(file.choose())
```
```{r, echo=FALSE, warning = FALSE, message=FALSE}
class_nomes <- read_excel("data//raster//Mapbiomas_AP_equalarea//mapbiomas_6_legend.xlsx")
```
Agora rodar de novo, com os resultados juntos com a legenda
de cada classe. Nos resultados acima, os valores na coluna "class"
são as mesmas que tem na coluna "aid" no objeto "class_nomes", onde também
tem os nomes . Assim, podemos repetir, mas agora incluindo os nomes
para cada valor de class, com base na ligação (join) entre as colunas.
```{r, eval=FALSE, warning = FALSE}
# Área de cada classe em hectares, incluindo os nomes para cada classe
lsm_c_ca(r1985) %>%
left_join(class_nomes, by = c("class" = "aid"))
# Numero de fragmentos (manchas)
lsm_c_np(r1985) %>%
left_join(class_nomes, by = c("class" = "aid"))
# Maior numero de manchas em classes de cobertura classificadas como
# pasto (pasture) e formação campestre (grassland).
# layer level class id metric value class_description group_description
# 1 class 3 NA np 28 Forest Formation Natural forest
# 1 class 4 NA np 2 Savanna Formation Natural forest
# 1 class 11 NA np 7 Wetlands Natural non fore
# 1 class 12 NA np 246 Grassland Natural non fore.
# 1 class 15 NA np 262 Pasture Farming
# 1 class 30 NA np 35 Mining Non vegetated
# 1 class 33 NA np 50 River,Lake and Ocean Water
```
## Métricas para as manchas
Vamos calcular o tamanho de cada mancha agora.
```{r, warning = FALSE, eval=FALSE}
mancha_area <- lsm_p_area(r1985) # 630 manchas
mancha_area
```
Agora queremos saber o tamanho da maior mancha em cada class, e
portanto o tamanho da maior mancha de mineração.
```{r, warning = FALSE, eval=FALSE}
mancha_area %>%
group_by(class) %>%
summarise(max_ha = max(value))
# 30.8 hectares (class 15 = mineração)
```
# Quais métricas devo escolher?
A decisão deve ser tomada com base em uma combinação de fatores.
Incluindo tais fatores como: base teórica, considerações estatísticas,
relevância para o objetivo/hipótese e a escala e heterogeneidade
na paisagem de estudo.
Queremos caracterizar áreas de mineração na paisagem, e aqui vamos
olhar somente uma paisagem, em um momento do tempo. Então as métricas
para a paisagem como todo não tem relevância.
Estamos olhando uma classe (mineração), portanto vamos incluir as
métricas para classes. Alem disso, as métricas de paisagem em nível de
classe são mais eficazes na definição de processos ecológicos
(Tischendorf, L. Can landscape indices predict ecological processes
consistently?. Landscape Ecology 16, 235–254 (2001).
https://doi.org/10.1023/A:1011112719782.).
```{r, warning = FALSE, eval=FALSE}
# métricas de composição para a paisagem por classes
list_lsm(level = "class", type = "area and edge metric")
# métricas de configuração para a paisagem por classes
list_lsm(level = "class", type = "aggregation metric")
```
## Métricas por classe de mineração
Aqui vamos calcular todos as métricas por classe (função <code>calculate_lsm()</code>)).
```{r, warning = FALSE}
# métricas de composição para a paisagem por classes
metrics_comp <- calculate_lsm(r1985, level = "class", type = "area and edge metric")
# métricas de configuração para a paisagem por classes
metrics_config <- calculate_lsm(r1985, level = "class", type = "aggregation metric")
```
E aqui, calcular correlações entre todos as métricas por classe
(função <code>show_correlation()</code>)).
```{r, warning = FALSE}
show_correlation(data = metrics_comp, method = "pearson", labels = TRUE)
show_correlation(data = metrics_config, method = "pearson", labels = TRUE)
```
Temos muitos valores e muitas métricas.
Este se chama um "tiro no escuro", algo cujo resultado se desconhece
ou é imprevisível. Isso não é recomendado.
Para fazer uma escolha melhor (mais robusta), seguindo princípios
básicos da ciência, precisamos ler os estudos anteriores
(artigos) para obter as métricas mais relevantes para nosso objetivo e
a hipótese a ser testada. Com base em os estudos anteriores e os
objetivos vamos incluir 8 métricas nos resultados.
# Exportar as métricas
O próximo passo é comunicar os resultados obtidos. Para isso
precisamos resumir e apresentar as métricas selecionadas em tabelas e
figuras. Agora já fizemos os cálculos, as tabelas e
figuras podem ser feitas no R ([figuras](https://www.youtube.com/watch?v=0RxEDDiRzQY)), tanto quanto
em aplicativos diferentes
(por exemplo tabelas atraves ["tabelas dinamicas"] no [Microsoft Excel](https://www.techtudo.com.br/dicas-e-tutoriais/2018/10/como-fazer-tabela-dinamica-no-excel.ghtml) ou [LibreOffice calc](https://www.youtube.com/watch?v=Mqi5BJwzAzo)).
Mas por isso, primeiramente precisamos exportar os resultados
(veja mais exemplos aqui: [Introdução ao R import-export](https://www.lampada.uerj.br/arquivosdb/_book2/importexport.html).
O arquivo vai sai no mesmo diretório do seu código
(verifique com <code>getwd()</code>).
```{r, warning = FALSE}
bind_rows(metrics_comp, metrics_config) -> metricas_1985
write.csv2(metricas_1985, "metricas_lourenco_1985.csv", row.names=FALSE)
```
# Preparando os resultados
A entrada de dados seria com as métricas da paisagem calculados
anteriormente.
Vocês devem baixar o arquivo de Excel [metricas_lourenco_1985.xlsx](https://github.com/darrennorris/Amapa-mine/blob/main/data/metricas_lourenco_1985.xlsx).
Lembre-se, para facilitar, os dados deve ficar no
mesmo diretório do seu código (verifique com <code>getwd()</code>).
No caso de um arquivo de Excel simples, a importação poderia ser
feita através menu de "Import Dataset" na janela/panel "Environment"
de Rstudio.
Ou com linhas de código:
```{r eval=FALSE}
metricas_1985 <- read_excel("metricas_lourenco_1985.xlsx")
metricas_1985
# layer level class id metric value
# <dbl> <chr> <dbl> <chr> <chr> <dbl>
# 1 class 3 NA area_cv 529.
# 1 class 4 NA area_cv 22.3
# 1 class 11 NA area_cv 71.2
```
Ou use o função <code>file.choose()</code>, que faz a busca
para arquivos.
```{r, eval=FALSE}
metricas_1985 <- read_excel(file.choose())
metricas_1985
```
```{r, echo=FALSE}
excel_in <- "data/metricas_lourenco_1985.xlsx"
metricas_1985 <- read_excel(excel_in)
metricas_1985
```
Os dados são padronizados ("tidy"), mas ainda não parece adequados para apresentação em tabelas ou figuras.
Temos muitos valores e muitas métricas (listadas na coluna "metric").
Com base em os estudos anteriores e os objetivos vamos incluir 8 métricas
(4 de composição e 4 de configuração).
Métricas de composição:
* mean patch area (<code>lsm_c_area_mn</code>) Área médio das manchas por classe.
* SD patch area (<code>lsm_c_area_sd</code>) Desvio padrão das áreas dos manchas por classe.
* class area percentage of landscape (<code>lsm_c_pland</code>) Porcentagem de área na paisagem por classe.
* largest patch index (<code>lsm_c_lpi</code>) Índice de maior mancha (proporção da paisagem).
Métricas de configuração:
* aggregation index (<code>lsm_c_ai</code>) Índice de agregação.
* patch cohesion index (<code>lsm_c_cohesion</code>) Índice de coesão das manchas.
* number of patches (<code>lsm_c_np</code>) Número de manchas.
* patch density (<code>lsm_c_pd</code>) Densidade de manchas.
Escolheremos (atraves um filtro) as métricas que queremos para obter uma
tabela de dados. Mantendo os dados originais,
assim sendo para acresentar mais métricas nos resultados,
preciso somente acrescentar mais no codigo.
```{r}
# Arquivo com os nomes das classes
class_in <- "data/mapbiomas_6_legend.xlsx"
class_nomes <- read_excel(class_in)
# Especificar métricas desejados
met_comp <- c("pland", "lpi", "area_mn", "area_sd")
met_conf <- c("ai", "cohesion", "np", "pd")
met_todos <- c(met_comp, met_conf)
# Escholer métricas desejados do conjunto completo
metricas_1985 %>%
filter(metric %in% met_todos) %>%
left_join(class_nomes, by = c("class" = "aid")) -> metricas_nomes
```
\newpage
# Uma tabela versatil
Mas, ainda não tem uma coluna com os nomes das métricas.
Portanto, solução simples é de exportar no formato de .csv e
finalizar/editar no Excel / calc.
Outra opção que pode facilitar, particularmente quando pode há mudanças
e revisões, é produzir a tabela no R. Aqui vamos repetir no R os
passos que vocês conhecem com as ferramentas de Excel (arraste e solte,
copiar-colar, filtro, tabela dinâmica).
Podemos organizar os dados que nos temos
(objecto "metricas_nomes") e apresentar em uma tabela em 3 passos:
1. Reorganização,
2. Montar a tabela e
3. Exportar a tabela em uma formato versatil, compativel com
documentos (e.g. Word) e planilhas (e.g. Excel).
## 1. Reorganização
Escolhendo as colunas desejadas (<code>select</code>), reorganizando para as
métricas ficam nas colunas (<code>pivot_wider</code>) e colocando as colunas novas na sequência desejada (<code>select</code>).
```{r}
metricas_nomes %>%
# Escholer métricas desejados do conjunto completo de métricas.
select(c(type_class, classe_descricao, hexadecimal_code,
metric, value)) %>%
# reorganizando
pivot_wider(names_from = metric, values_from = value) -> metricas_tab
```
\newpage
## 2. Montar a tabela
Agora vamos produzir uma tabela simples e exportar em um formato
versatil (html) para finalização no Word / Excel.
```{r, eval=FALSE}
# Nomes para as colunas
col_nomes <- c("Tipo", "Descrição","Área total", "Índice maior mancha",
"Número de manchas", "Área manchas (médio)", "Área manchas (DP)",
"Índice de agregação", "Índice de coesão", "Densidade de manchas")
# Valores para pontos decimais de cada coluna.
meu_digits <- c(0, 0, 0, 1, 0, 1, 1, 1, 1, 2)
metricas_tab %>%
# Colocar as colunas na sequência desejada.
select(type_class, classe_descricao, pland, lpi, np, area_mn, area_sd,
ai, cohesion, pd) %>%
# Especificar nomes para as colunas.
kable(col.names = col_nomes,
digits = meu_digits) %>%
kableExtra::kable_styling() #visualizar para verificar
```
```{r, echo=FALSE, warning=FALSE, message=FALSE}
# Nomes para as colunas
col_nomes <- c("Tipo", "Descrição","Área total", "Índice maior mancha",
"Número de manchas", "Área manchas (médio)", "Área manchas (DP)",
"Índice de agregação", "Índice de coesão", "Densidade de manchas")
# Valores para pontos decimais de cada coluna.
meu_digits <- c(0, 0, 0, 1, 0, 1, 1, 1, 1, 2)
metricas_tab %>%
# Colocar as colunas na sequência desejada.
select(type_class, classe_descricao, pland, lpi, np, area_mn, area_sd,
ai, cohesion, pd) %>%
# Especificar nomes para as colunas.
kable(col.names = col_nomes,
digits = meu_digits) %>%
kableExtra::kable_styling(latex_options = c("HOLD_position", "striped", "scale_down")) #visualizar para verificar
```
Parece um bom começo. Vamos exportar. Depois, pode finalizar no
documento você está escrevendo (inserir -> objeto, e depois segue os
passos) ou em uma planilha.
## 3. Exportar a tabela
```{r, eval=FALSE}
metricas_tab %>%
# Colocar as colunas na sequência desejada.
select(type_class, classe_descricao, pland, lpi, np, area_mn, area_sd,
ai, cohesion, pd) %>%
# Especificar nomes para as colunas.
kable(col.names = col_nomes,
digits = meu_digits) %>%
kableExtra::kable_styling() %>%
kableExtra::save_kable("tabela_metricas_1985.html")
```
```{r, eval=FALSE, echo=FALSE, message=FALSE, warning=FALSE}
# save kable cant "read generated pdf file"..... how to just save a html when building latex (using save_kable_latex????
metricas_tab %>%
# Colocar as colunas na sequência desejada.
select(type_class, classe_descricao, pland, lpi, np, area_mn, area_sd,
ai, cohesion, pd) %>%
# Especificar nomes para as colunas.
kable(col.names = col_nomes,
digits = meu_digits) %>%
kableExtra::save_kable("data/tabela_metricas_1985.html", keep_tex = TRUE)
# Use below to add necessary dependencies to compile pdf
# tinytex::xelatex("data/tabela_metricas_1985.tex")
```
E agora pode finalizar a tabela "tabela_metricas_1985.html"
no documento você está escrevendo
(inserir -> objeto, e depois segue passos) ou em uma [planilha](https://support.microsoft.com/pt-br/office/importar-dados-de-um-arquivo-csv-html-ou-de-texto-b62efe49-4d5b-4429-b788-e1211b5e90f6).
# Uma figura elegante
Uma imagem vale mais que mil palavras.
Portanto, gráficos/figuras/imagens são uma das mais importantes formas
de comunicar a ciência.
Como exemplo ilustrativo, aqui vamos produzir
gráficos comparando métricas de composição e configuração da paisagem
ao redor do Garimpo do Lourenço.
É uma boa ideia gastar bastante tempo para tornar figuras científicas
as mais informativas e atraentes possíveis. Escusado será dizer que a
precisão empírica é primordial. E por isso, o que fica excluído/omitido
é tão importante quanto o que foi incluído. Para ajudar, você deve se
perguntar o seguinte ao criar uma figura: eu apresentaria essa figura
em uma apresentação para um grupo de colegas? Eu o apresentaria a um
público de não especialistas? Eu gostaria que essa figura aparecesse
em um artigo de notícias sobre meu trabalho? É claro que todos esses
locais exigem diferentes graus de precisão, complexidade e estética,
mas uma boa figura deve servir para educar simultaneamente públicos
muito diferentes.
Tabelas versus gráficos — A primeira pergunta que você deve se fazer
é se você pode transformar aquela tabela (chata e feia) em algum tipo
de gráfico. Você realmente precisa dessa tabela no texto principal?
Você não pode simplesmente traduzir as entradas das células em um
gráfico de barras/colunas/xy? Se você pode, você deve. Quando uma
tabela não pode ser facilmente traduzida em uma figura, na maioria
das vezes a provavelmente pertence às
Informações Suplementares/Anexos/Apêndices.
## Gráfico de barra
Primeiramente, vamos produzir uma gráfico de barra comparando a
proporção que cada classe representa na paisagem.
```{r}
# Inclundo cores conforme legenda da Mapbiomas Coleção 6
# Legenda nomes ordem alfabetica
classe_cores <- c("Campo Alagado e Área Pantanosa" = "#45C2A5",
"Formação Campestre" = "#B8AF4F",
"Formação Florestal" = "#006400",
"Formação Savânica" = "#00ff00",
"Mineração" = "#af2a2a",
"Pastagem" = "#FFD966",
"Rio, Lago e Oceano" = "#0000FF")
```
E agora o grafico.......
```{r, eval=FALSE}
# Grafico de barra basica
metricas_tab %>%
mutate(class_prop = pland) %>%
ggplot(aes(x = classe_descricao, y = class_prop)) +
geom_col()
# Agora com ajustes
# Agrupando por tipo (natural e antropico)
# Com cores conforme legenda da Mapbiomas Coleção 6
# Corrigindo texto dos eixos.
# Mudar posição da leganda para o texto com nomes longas encaixar.
metricas_tab %>%
mutate(class_prop = pland) %>%
ggplot(aes(x = type_class, y = class_prop,
fill = classe_descricao)) +
scale_fill_manual("classe", values = classe_cores) +
geom_col(position = position_dodge2(width = 1)) +
coord_flip() +
labs(title = "MapBiomas cobertura da terra",
subtitle = "Entorno do Garimpo do Lorenço 1985",
y = "Proporção da paisagem (%)",
x = "") +
theme(legend.position="bottom") +
guides(fill = guide_legend(nrow = 4))
```
Uma imagem vale mais que mil palavras:
<img src="figures/fig_cobertura.png" alt="cobertura" width="680" height="300">
Mas existe uma separação grande na faixa de valores e ainda é
difícil de ver todas as classes. Temos uma distribuição com valores
muito mais altos comparada com os outros.
extremos. Uma solução seria uma transformação (por exemplo "log"),
assim os valores ficarem mais proximos.
## Gráfico de boxplot
Agora com uma métrica de configuração:
```{r}
# Métrica de configuração: Densidade de manchas (coluna "pd").
# Agrupando por tipo (natural e antrópico)
# Incluindo boxplot indicando tendência central (mediano)
# Com cores conforme legenda da Mapbiomas Coleção 6
# Tamanho dos pontos proporcional o numero de manchas
# Corrigindo texto dos eixos.
# Mudar posição da leganda para o texto com nomes longas encaixar.
metricas_tab %>%
ggplot(aes(x = type_class, y = pd)) +
geom_boxplot(colour = "grey50") +
geom_point(aes(size = np, colour = classe_descricao)) +
scale_color_manual("classe", values = classe_cores) +
scale_size(guide = "none") +
coord_flip() +
labs(title = "MapBiomas cobertura da terra",
subtitle = "Entorno do Garimpo do Lorenço 1985",
y = "Densidade de manchas (número por 100 hectares)",
x = "") +
theme(legend.position="bottom") +
guides(col = guide_legend(nrow = 4))
```
# Comparação entre anos
Calcular as métricas para 3 anos.
```{r}
# metricas desejados
what_metricas <- c("lsm_c_pland", "lsm_c_lpi", "lsm_c_area_mn", "lsm_c_area_sd",
"lsm_c_ai", "lsm_c_cohesion", "lsm_c_np", "lsm_c_pd")
# rodar
metricas_anos <- sample_lsm(landscape = mapbiomas_85a20,
y = acesso_buffers,
plot_id = data.frame(acesso_buffers)[, 'raio_km'],
what = what_metricas,
edge_depth = 1)
# Organizar dados
# Dados rferentes os buffers
resultados_anos <- acesso_buffers %>%
left_join(metricas_anos %>%
dplyr::mutate(value = round(value,2),
ano = case_when(layer==1 ~1985,
layer==2~2003,
layer==3~2020)) %>%
dplyr::select(ano, plot_id, class, metric, value),
by=c("raio_km"="plot_id"))
# Dados referentes os classes
resultados_anos <- resultados_anos %>%
left_join(class_nomes, by = c("class" = "aid"))
```
Agora grafico de barra com varios anos
```{r}
# It's recommended to use a named vector
# Legenda nomes ordem alfabetica
classe_cores <- c("Campo Alagado e Área Pantanosa" = "#45C2A5",
"Formação Campestre" = "#B8AF4F",
"Formação Florestal" = "#006400",
"Formação Savânica" = "#00ff00",
"Mineração" = "#af2a2a",
"Pastagem" = "#FFD966",
"Rio, Lago e Oceano" = "#0000FF",
"Outras Lavouras Temporárias" = "#e787f8")
resultados_anos %>%
mutate(rcor = paste("#", hexadecimal_code, sep="")) %>%
filter(metric=="pland") %>%
ggplot(aes(x=ano, y=value)) +
geom_col(position="stack", aes(fill=classe_descricao)) +
scale_fill_manual(values = classe_cores) +
facet_grid(raio_km~type_class)
```
Agora com "pland" e densidade de manchas juntos.
```{r}
resultados_anos %>%
mutate(rcor = paste("#", hexadecimal_code, sep="")) %>%
filter(metric=="pland") %>%
ggplot(aes(x=ano, y=value)) +
geom_col(position="stack", aes(fill=classe_descricao)) +
scale_fill_manual("classe", values = classe_cores) +
scale_y_continuous(breaks=c(0,50,100)) +
scale_x_continuous(breaks=c(1985,2003, 2020)) +
facet_grid(raio_km~type_class) +
labs(title = "MapBiomas cobertura da terra",
subtitle = "Entorno do Garimpo do Lorenço 1985-2020",
y = "Porcentagem da paisagem",
x = "Ano") +
theme(legend.position="bottom",
legend.title = element_text(size = 3),
legend.text = element_text(size = 3),
legend.key.size = unit(0.1, "lines")) +
guides(fill = guide_legend(nrow = 4)) -> fig_pland
# Densidade de manchas
resultados_anos %>%
mutate(rcor = paste("#", hexadecimal_code, sep="")) %>%
filter(metric=="pd") %>%
ggplot(aes(x = factor(ano), y = value)) +
geom_boxplot(colour = "grey50") +
geom_point(aes(colour = classe_descricao)) +
scale_color_manual("classe", values = classe_cores) +
scale_size(guide = "none") +
facet_grid(raio_km~type_class) +
labs(title = "MapBiomas cobertura da terra",
subtitle = "Entorno do Garimpo do Lorenço 1985-2020",
y = "Densidade de manchas (número por 100 hectares)",
x = "Ano") +
theme(legend.position="bottom",
legend.title = element_text(size = 3),
legend.text = element_text(size = 3),
legend.key.size = unit(0.1, "lines")) +
guides(fill = guide_legend(nrow = 4)) -> fig_pd
grid.arrange(fig_pland, fig_pd, nrow=1)
```
\newpage
# Conclusões e próximos passos
Os resultados apresentados na figura anterior não segam os resultados esperados que a cobertura de classes antrópicos ia aumentar ao longo do tempo.
Para entender melhor os padores, precisamos:
* Verficar padrões nas outras metricas calculados
* Verficar padrões com mais anos
* Verficar padrões usando poligonos/pontos dos processos de mineração (dados no SIGMINE https://www.gov.br/anm/pt-br e https://app.anm.gov.br/dadosabertos/SIGMINE/PROCESSOS_MINERARIOS/)
Alem disso, seria relevante buscar complementar os dados de MapBiomas com uma classificação supervisionado usando imagens de Sentinel-2 (exemplo com QGIS Semi-Automatic Classification plugin aqui: https://fromgistors.blogspot.com/2016/09/basic-tutorial-2.html). Assim para aumentar a precisão dos resultados.
Uma forma alternativa para visualização as mudanças entre anos seria um diagrama "Sankey"/"Alluvial". Como exemplo, veja figura 3 no artigo "Rapid land use conversion in the Cerrado has affected water transparency in a hotspot of ecotourism, Bonito, Brazil" https://doi.org/10.1177/19400829221127087 .
```{r plot-fig-sankey, echo=FALSE, warning=FALSE, message=FALSE, out.width="50%", out.height="50%", fig.align='center',fig.cap= "Diagrama Sankey mostrando a mudança de uso da terra na bacia do rio Prata entre 2010 (lado esquerdo) e 2020 (lado direto). Fonte: Figura 3. Chiaravalloti et. al. 2022. Tropical Conservation Science. doi:10.1177/19400829221127087"}
knitr::include_graphics("figures/www/images_large_10.1177_19400829221127087-fig3.jpeg")
```
No R pode fazer com o pacote "networkD3" segue tutoriais:
* https://www.displayr.com/sankey-diagrams-r/
* https://epirhandbook.com/en/diagrams-and-charts.html#alluvialsankey-diagrams
* https://rpubs.com/droach/CPP526-codethrough