plot-dados-categ-raster.Rmd

---
title: "Visualização de raster com dados categóricos"
output: 
  html_document: 
    toc: yes
---

```{r setup, echo=FALSE}
rm(list = ls())
knitr::opts_chunk$set(
  tidy = FALSE,
  cache = FALSE,
  fig.path = "figs/",
  comment = "#>",
  collapse = TRUE
)
library(bookdown)
```


# Introdução 

Neste tutorial mostra-se como plotar dados categóricos armazenados no formato raster.
Este tipo de dados é comum para representação de classes de vegetação, bacias hidrográficas, tipo de solos, ou qualquer outro plano de informação dividida em classes, ou categorias, e expresso em caracteres ou números inteiros. No exemplo abaixo, será usado um raster de subbacias hidrográficas, cada subbacia hidrográfica é identificada por dois algarismos.


# Pré-requisitos

Para visualização de dados categóricos com várias categorias é conveniente usar paletas de cores aleatórias. O pacote [randomcoloR](https://cran.r-project.org/web/packages/randomcoloR/) fornece paletas de cores com essa proposta. Para utilizá-lo no R, precisamos instalar a biblioteca linux `libv8-3.14-dev`[^1].


[^1]: no Fedora Linux a biblioteca correspondente é a v8-314-devel.

```
$#(Debian, Ubuntu)
$ sudo apt-get install libv8-3.14-dev
```

Com a biblioteca V8 instalada, podemos instalar o pacote [randomcoloR](https://cran.r-project.org/web/packages/randomcoloR/).
Se você não possui o pacote raster instalado aproveite para instalá-lo também.
Para usar as outras opções de plots seraõ necessários os pacotes `rasterVis` e `ggplot2`.


```{r, eval = FALSE}
install.packages("randomcoloR")
install.packages("raster")
install.packages("rasterVis")
install.packages("ggplot2")
```

Agora é necessário carregar os pacotes.

```{r, message=FALSE, warning=FALSE}
library(randomcoloR)
library(raster)
# para reproduzir opção 2
library(rasterVis)
# para reproduzir opção 3
library(ggplot2)
```


# Dados

Os dados usados nesse tutorial referem-se a um raster contendo códigos de subbacias. O arquivo está no [formato ascii grid](https://en.wikipedia.org/wiki/Esri_grid).

O arquivo está armazenado no link abaixo e será baixado na pasta `/home/lsi/Downloads`com os comandos abaixo.

```{r}
# nome do arquivo raster em formato ascii grid
FILENAME <- "basin2.asc"
# caminho onde será salvo o arquivo
dest_file <- file.path("~/Downloads", FILENAME)
# link do dropbox onde o arquivo está armazenado
data_url <- "https://www.dropbox.com/s/yz1o9q5a2i9e72f/FILENAME?dl=1"
# download
download.file(gsub("FILENAME", FILENAME, data_url),
  destfile = dest_file
)
# verifica se o arquivo foi salvo
file.exists(dest_file)
```

Importamos o arquivo `r dest_file` com a função `raster()` do pacote raster.

```{r, }
# importando raster ascii grid
bacias <- raster(dest_file)
bacias
# plot do pacote raster para valores numéricas contínuas
plot(bacias)
```

O plot gerado não permite distinguir as subbacias hidrográficas. Quantas subacias são mostradas?

# Opção 1: `plot()` do pacote raster

Para melhor visualização das subbacias hidrográficas vamos utilizar a função `distinctColorPalette()`. Essa função tem como argumento o número de cores. Neste exemplo corresponde ao número de subbacias. Vamos determinar o total de subbacias.

```{r nbacias}
# códigos de cada subbacia
bacias_id <- sort(unique(values(bacias)))
bacias_id
# num. de subbacias
n_bacias <- length(bacias_id)
n_bacias
```

Com o número de cores podemos construir a paleta de cores e plotar o raster passando a paleta de cores através do argumento `col`.

```{r}
cores <- distinctColorPalette(n_bacias)
bacias_id_brks <- bacias_id
names(bacias_id_brks) <- as.character(bacias_id_brks)
bacias_id_brks
plot(bacias,
  # paleta de cores
  col = cores,
  horizontal = TRUE,
  breaks = bacias_id_brks, # lab.breaks = bacias_id,
  # lab.breaks = ifelse((1:length(bacias_id)) %% 2 == 0, "", bacias_id),
  axis.args = list( # at = bacias_id,
    #                   labels = ifelse(1:length(bacias_id) %% 2 == 0, " ", bacias_id),
    cex.axis = 0.5,
    las = 2
  ),
  legend.width = 1,
  legend.shrink = 1.1,
  # legend.mar = 2,
  legend.args = list(text = "Subbacia", side = 3)
)
```

Note que a barra de cores repete as cores para valores não existentes de códigos de subbacias (p.ex.: 20, 30, 40, ...).

# Opção 2: `levelplot()` do pacote rasterVis

Como uma alternativa podemos usar o pacote `rasterVis`. Entretanto algumas no raster original são necessárias: a conversão do raster para `factor` e a construção da tabela de atributos do novo raster.

```{r}
# converte o raster para factor
bacias_f <- as.factor(bacias)
bacias_f
# tabela de atributos raster com os níveis dos fatores
rat <- levels(bacias_f)[[1]]
rat$bacia <- as.character(bacias_id)
levels(bacias_f) <- rat
head(levels(bacias_f)[[1]])
# plot das subbacias
rasterVis::levelplot(bacias_f,
  att = "bacia",
  col.regions = cores,
  # ver ?levelplot
  # para conhecer os parâmetros de colorkey
  colorkey = list(
    space = "bottom",
    labels = list(rot = 90, cex = 0.5)
  )
)
```

# Opção 3: com `ggplot()` do pacote `ggplot2`

As funções do pacote ggplot2 trabalham com dados em *dataframes*. Então precisamos converter o raster para *dataframe*.

```{r}
bacias_p <- as.data.frame(rasterToPoints(bacias))
head(bacias_p)
```

Vamos adaptar nossa paleta de cores atribuindo os códigos das subbacias a cada cor.

```{r pal_ggplot}
pal_cores <- cores
names(cores) <- as.character(bacias_id)
head(cores)
```

Plot das subbacias com o `ggplot2`.

```{r ggp1}
ggp_subb <- ggplot(
  data = bacias_p,
  aes(x, y, fill = as.factor(basin2))
) +
  geom_raster() +
  scale_fill_manual("Subbacias", values = pal_cores) + theme_bw()
ggp_subb
```

Vamos adaptar a legenda, posicionando-a abaixo do gráfico, diminuindo o tamanho das quadrículas da legenda de cores.

```{r ggpfinal}
ggp_subb +
  theme(legend.position = "bottom", legend.direction = "horizontal") +
  guides(fill = guide_legend(
    nrow = 4,
    byrow = TRUE,
    title.position = "top", title.hjust = 0.5,
    keywidth = 0.5, keyheight = 0.5
  ))
```

O resultado final do plot com o ggplot2 ficou visualmente melhor. As opções de customização do ggplot2 são amplas, o nome das funções e de seus argumentos são mais intuitivos, e a documentação é melhor para a visualização de dados espaciais categóricos.

Em geral, a melhor opção é aquela que o usuário domina ou que já usou previamente. Mas se você estiver começando, eu sugeriro usar o ggplot2.