2 1 RasterDataTerra

Datos tipo Raster
Cargamos librería raster
library(terra)
Cargamos un archivo tipo raster
Cargamos un archivo tipo raster
find("rast")
## [1] "package:terra"
file1 <- "../../Archivos/RasterFiles/RasterDEM.TIF"

RasDEM <- rast(file1)
RasDEM
## class : SpatRaster
## dimensions : 1650, 978, 1 (nrow, ncol, nlyr)
## resolution : 15.03529, 15.03529 (x, y)
## extent : 295896.6, 310601.1, 2006739, 2031547 (xmin, xmax, ymin, ymax)
## coord. ref. : WGS 84 / UTM zone 15N (EPSG:32615)
## source : RasterDEM.tif
## name : RasterDEM
Qué información puede decirme al respecto?

Graficamos
Los valores de este mapa representan alturas. Lo graficamos. . .
plot(RasDEM, main ="Cuenta del Río Huazuntlán")
Cuenta del Río Huazuntlán
2030000
1600
1400
2025000 1200
1000
2020000
800
2015000
600
400
2010000
200
3e+05 305000 310000
Puede interpretar el mapa?

Indización Básica
RasDEM
## resolution : 15.03529, 15.03529 (x, y)
## name : RasterDEM
RasDEM[1]
## RasterDEM
## 1 917
RasDEM[[1]]
## resolution : 15.03529, 15.03529 (x, y)
## name : RasterDEM
Atributos
names(RasDEM)
## [1] "RasterDEM"
head(RasDEM$RasterDEM,12)
## RasterDEM
## 1 917
## 2 919
## 3 919
## 4 919
## 5 919
## 6 920
## 7 921
## 8 924
## 9 927
## 10 931
## 11 935
## 12 940
RasDEM$RasterDEM[]
## RasterDEM
## [1,] 917
## [2,] 919
## [3,] 919
## [4,] 919
## [5,] 919
## [6,] 920
## [7,] 921
## [8,] 924
## [9,] 927
Estadística
Podemos ver la altura mínima del mapa, con min()
min(RasDEM[[1]][])
## [1] 39
Podemos ver la altura máxima con max()

max(RasDEM[[1]][])
## [1] 1682
Identificar los cuantiles

quantile(RasDEM$RasterDEM[])
## 0% 25% 50% 75% 100%

## 39 278 506 850 1682
o de manera alternativa. . .
quantile(RasDEM$RasterDEM[], probs = c(0.25,0.5, 0.75), type=7,names = FALSE)
## [1] 278 506 850

Histograma de los valores
Creamos un histograma con los valores del raster, en este caso de las alturas.
hist(RasDEM$RasterDEM[],col='green')
Histogram of RasDEM$RasterDEM[]
250000
200000
150000
Frequency
100000
50000
0
0 500 1000 1500
RasDEM$RasterDEM[]
Extent
ext(RasDEM)
## SpatExtent : 295896.599921734, 310601.111726528, 2006738.88835699, 2031547.11379452 (xmin, xmax, ymin,
ext(RasDEM)[2] - ext(RasDEM)[1]
ext(RasDEM)[4] - ext(RasDEM)[3]
## xmax
## 14704.51
## ymax
## 24808.23
class(values(RasDEM))
## [1] "matrix" "array"

head(data.frame(RasDEM),6)
## RasterDEM
## 1 917
## 2 919
## 3 919
## 4 919
## 5 919
## 6 920
Otros comandos
dim(RasDEM)
## [1] 1650 978 1
res(RasDEM)
## [1] 15.03529 15.03529
ncell(RasDEM)
## [1] 1613700
ncol(RasDEM)
## [1] 978
nrow(RasDEM)
## [1] 1650
crs(RasDEM)
## [1] "PROJCRS[\"WGS 84 / UTM zone 15N\",\n BASEGEOGCRS[\"WGS 84\",\n DATUM[\"World Geodetic Sy

Insertamos datos vectoriales
xcoord <- c(300033,300071,300196,300096,300158,301008,302758,303596)
ycoord <- c(2024552,2024290,2023515,2021827,2021102,2016940,2012977,2011677)
xycoords <- cbind(id=1,part=1,xcoord, ycoord)
SVP <- vect(xycoords)
SVL <- vect(xycoords,type="lines")
SPolInfluencia <- buffer(SVL,10*res(RasDEM)[1])
SPolInfluencia
## class : SpatVector
## geometry : polygons
## dimensions : 1, 0 (geometries, attributes)
## coord. ref. :
plot(SPolInfluencia,col='red')
2024000
2022000
2020000
2018000
2016000
2014000
2012000
3e+05
Graficamos
plot(RasDEM,main='Río Soteapan')
plot(SPolInfluencia,col='red',add=TRUE)
lines(SVL,col='blue',lwd=1)
points(SVP,col='black',pch=19,cex=1.0)
Río Soteapan
2030000
1600
1400
2025000
1200
1000
2020000
800
2015000
600
400
2010000
200
3e+05 305000 310000

Extraemos datos
extract(RasDEM,SVP)
## ID RasterDEM
## 1 1 847
## 2 1 831
## 3 1 784
## 4 1 674
## 5 1 596
## 6 1 399
## 7 1 199
## 8 1 174
head(extract(RasDEM,SPolInfluencia),12)
## ID RasterDEM
## 1 1 851
## 2 1 850
## 3 1 850
## 4 1 850
## 5 1 858
## 6 1 854
## 7 1 852
## 8 1 850
## 9 1 850
## 10 1 850
## 11 1 849
## 12 1 850
dim(extract(RasDEM,SPolInfluencia))
## [1] 18397 2
Gráfica
z<-extract(RasDEM,SPolInfluencia)
class(z[2][,])
## [1] "numeric"
plot(z[2][,],main="Alturas",type="l")
Alturas
800
600
z[2][, ]
400
200
0 5000 10000 15000
Index
Crearemos un raster desde cero
Vamos a crear un raster. Hay que especificar el número de columnas y filas, así como su extensión Podemos pensar
en un raster como una matriz, es decir una malla cuadriculada pero con una extensión.
RasPrueba1 <- rast(ncol=10, nrow=10, xmin=-100, xmax=100, ymin=-200, ymax=200)
RasPrueba1
## resolution : 20, 40 (x, y)
## extent : -100, 100, -200, 200 (xmin, xmax, ymin, ymax)
## coord. ref. :
Se muestran los datos del raster

head(RasPrueba1[],6)
## Warning: [readValues] raster has no values
## lyr.1
## [1,] NaN
## [2,] NaN
## [3,] NaN
## [4,] NaN
## [5,] NaN
## [6,] NaN
Sigue
También se pueden mostrar de la siguiente manera

RasPrueba1$lyr.1
## coord. ref. :
Asignamos valores
Asignamos valores
values(RasPrueba1) <- 1:ncell(RasPrueba1)
head(RasPrueba1[],20)
## lyr.1
## [1,] 1
## [2,] 2
## [3,] 3
## [4,] 4
## [5,] 5
## [6,] 6
## [7,] 7
## [8,] 8
## [9,] 9
## [10,] 10
## [11,] 11
## [12,] 12
## [13,] 13
## [14,] 14
## [15,] 15
## [16,] 16
## [17,] 17
## [18,] 18
## [19,] 19
## [20,] 20
Qué tipo de dato es RasPrueba1[] ?

Grafica
plot(RasPrueba1,main="Capa Raster")
text(RasPrueba1$lyr.1,cex=0.5)
Capa Raster
200
100
1 2 3 4 5 6 7 8 9 10
11 12 13 14 15 16 17 18 19 20
80
100
21 22 23 24 25 26 27 28 29 30
31 32 33 34 35 36 37 38 39 40
60
41 42 43 44 45 46 47 48 49 50
0
51 52 53 54 55 56 57 58 59 60
40
61 62 63 64 65 66 67 68 69 70
−100
71 72 73 74 75 76 77 78 79 80
20
81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100
−200
−100 0 100
Observe la manera en que se numeró la gráfica.

Indización
La indización de los datos es similar a la de las matrices

RasPrueba1
## coord. ref. :
## source(s) : memory
## name : lyr.1
## min value : 1
## max value : 100
RasPrueba1[73]
## lyr.1
## 1 73
RasPrueba1[7,5]
## lyr.1
## 1 65
Más complejo
RasPrueba1[4,]
## lyr.1
## 1 31
## 2 32
## 3 33
## 4 34
## 5 35
## 6 36
## 7 37
## 8 38
## 9 39
## 10 40
RasPrueba1[,6]
## lyr.1
## 1 6
## 2 16
## 3 26
## 4 36
## 5 46
## 6 56
## 7 66
## 8 76
## 9 86
## 10 96
Otro
RasPrueba1[c(5,3,1),(5:8)]
## lyr.1
## 1 45
## 2 46
## 3 47
## 4 48
## 5 25
## 6 26
## 7 27
## 8 28
## 9 5
## 10 6
## 11 7
## 12 8
Qué tipo de datos son los subconjuntos para cada caso?

Capas
El raster tiene un comportamiento como una matriz, pero también como una tabla con distintos atributos.
names(RasPrueba1)
## [1] "lyr.1"
RasPrueba1$lyr.1
## coord. ref. :
## name : lyr.1
## min value : 1
## max value : 100
Cambiamos el nombre de la capa

names(RasPrueba1) <- "Atributo"
RasPrueba1
## coord. ref. :
## name : Atributo
Multicapa
Se pueden agregar más capas de atributos y hacer operaciones algebraicas entre ellas
RasMultiCapa <- RasPrueba1
names(RasMultiCapa)
## [1] "Atributo"
names(RasMultiCapa) <- "Atributo1"
RasMultiCapa$Atributo2 <- RasPrueba1*RasPrueba1

RasMultiCapa$Atributo3 <- cos(RasPrueba1)+ 100
RasMultiCapa$Atributo4 <- 2*RasMultiCapa$Atributo2 + RasMultiCapa$Atributo3
names(RasMultiCapa)
## [1] "Atributo1" "Atributo2" "Atributo3" "Atributo4"

Gráfica multibanda
plot(RasMultiCapa)
Atributo1 Atributo2
200
200
100 10000
80 8000
100
100
60 6000
0
0
40 4000
−100
−100
20 2000
−200
−200
−100 0 100 −100 0 100
Atributo3 Atributo4
200
200
20000
100
100
100.5 15000
100.0 10000
0
0
−100
−100
99.5 5000
−200
−200
−100 0 100 −100 0 100

Elegimos un atributo nada más
plot(RasMultiCapa$Atributo2,xaxt="n",yaxt="n")
text(RasMultiCapa$Atributo2,cex=0.3)
200
10000
1 4 9 16 25 36 49 64 81 100
121 144 169 196 225 256 289 324 361 400
8000
100
441 484 529 576 625 676 729 784 841 900
961 1024 1089 1156 1225 1296 1369 1444 1521 1600
6000
1681 1764 1849 1936 2025 2116 2209 2304 2401 2500
0
2601 2704 2809 2916 3025 3136 3249 3364 3481 3600
4000
3721 3844 3969 4096 4225 4356 4489 4624 4761 4900
−100
5041 5184 5329 5476 5625 5776 5929 6084 6241 6400
2000
6561 6724 6889 7056 7225 7396 7569 7744 7921 8100
8281 8464 8649 8836 9025 9216 9409 9604 9801 10000
−200
−100 0 100
Raster con Valor constante
RasMultiCapa$Atributo5 <- 20
plot(RasMultiCapa$Atributo5,xaxt="n",yaxt="n")
200
20
100
0
−100
−200
−100 0 100
Raster con NA
RasMultiCapa$Atributo6 <- NA
plot(RasMultiCapa$Atributo6,main='Capa con NAs' )

Estructura
Echemos otra vez un vistazo general a la estructura del archivo tipo RasterLayer
RasPrueba1
## coord. ref. :
## name : Atributo
## min value : 1
## max value : 100
Ahora ala estructura del archivo tipo RasterStack

RasMultiCapa
## coord. ref. :
## names : Atributo1, Atributo2, Atributo3, Atributo4, Atributo5, Atributo6
## min values : 1, 1, 99.00004, 102.5403, 20, NaN
## max values : 100, 10000, 100.99984, 20100.8623, 20, NaN
Indización con doble corchete [[]]
Se puede acceder a las capas utilizando [[ ]] ya sea por su número de aparición, o por su nombre
Accedemos a la 3er capa

RasMultiCapa[[3]]
## coord. ref. :
## name : Atributo3
## min value : 99.00004
## max value : 100.99984
Accedemos a la capa llamada Atributo2

RasMultiCapa[['Atributo2']]
## coord. ref. :
## name : Atributo2
## min value : 1
## max value : 10000
Más indización
Accedemos a las capas 2 y 3
RasMultiCapa[[c(2,3)]]
## coord. ref. :
## names : Atributo2, Atributo3
## min values : 1, 99.00004
## max values : 10000, 100.99984
Accedemos al quinto elemento de la segunda capa

RasMultiCapa[[2]][5]
## Atributo2
## 1 25
Accedemos a la segunda fila de la primera capa

RasMultiCapa[[1]][2,]
## Atributo1
## 1 11
## 2 12
## 3 13
## 4 14
## 5 15
Todavía más indización
Accedemos a los datos de la capa llamada Atributo1
RasMultiCapa[['Atributo1']][,]
## Atributo1
## [1,] 1
## [2,] 2
## [3,] 3
## [4,] 4
## [5,] 5
## [6,] 6
## [7,] 7
## [8,] 8
## [9,] 9
## [10,] 10
## [11,] 11
## [12,] 12
## [13,] 13
## [14,] 14
## [15,] 15
## [16,] 16
## [17,] 17
## [18,] 18
## [19,] 19
## [20,] 20
## [21,] 21
## [22,] 22
## [23,] 23
## [24,] 24
## [25,] 25
## [26,] 26
## [27,] 27
## [28,] 28
## [29,] 29
## [30,] 30
Más . . .
Qué sucede aquí?

RasMultiCapa[[c(1,3)]][9:21]
## Atributo1 Atributo3
## 1 9 99.08887
## 2 10 99.16093
## 3 11 100.00443
## 4 12 100.84385
## 5 13 100.90745
## 6 14 100.13674
## 7 15 99.24031
## 8 16 99.04234
## 9 17 99.72484
## 10 18 100.66032
## 11 19 100.98870
## 12 20 100.40808
## 13 21 99.45227
class(RasMultiCapa[[c(1,3)]][9:21])
## [1] "data.frame"
Indización con un corchete []
Si utilizamos nada más un corchete accedemos directamente a los valores
RasPrueba1[]
## Atributo
## [1,] 1
## [2,] 2
## [3,] 3
## [4,] 4
## [5,] 5
## [6,] 6
## [7,] 7
## [8,] 8
## [9,] 9
## [10,] 10
## [11,] 11
## [12,] 12
## [13,] 13
## [14,] 14
## [15,] 15
## [16,] 16
## [17,] 17
## [18,] 18
## [19,] 19
## [20,] 20
## [21,] 21
## [22,] 22
## [23,] 23
## [24,] 24
## [25,] 25
## [26,] 26
## [27,] 27
## [28,] 28
## [29,] 29
## [30,] 30
Sigue
Llamamos el 1er elemento de RasMultiCapa
RasMultiCapa[1]
## Atributo1 Atributo2 Atributo3 Atributo4 Atributo5 Atributo6

## 1 1 1 100.5403 102.5403 20 NA
class(RasMultiCapa[1])
## [1] "data.frame"
Llamamos la celda 50 de RasMultiCapa

RasMultiCapa[50]

## 1 50 2500 100.965 5100.965 20 NA
class(RasMultiCapa[50])
## [1] "data.frame"
Más
Llamamos la 1er fila de RasMultiCapa

RasMultiCapa[1,]

## 1 1 1 100.54030 102.5403 20 NA
## 2 2 4 99.58385 107.5839 20 NA
## 3 3 9 99.01001 117.0100 20 NA
## 4 4 16 99.34636 131.3464 20 NA
## 5 5 25 100.28366 150.2837 20 NA
## 6 6 36 100.96017 172.9602 20 NA
## 7 7 49 100.75390 198.7539 20 NA
## 8 8 64 99.85450 227.8545 20 NA
## 9 9 81 99.08887 261.0889 20 NA
## 10 10 100 99.16093 299.1609 20 NA
class(RasMultiCapa[1,])
## [1] "data.frame"
Más de indización
Llamamos dos filas
RasMultiCapa[c(4,2),]

## 1 31 961 100.91474 2022.9147 20 NA
## 2 32 1024 100.83422 2148.8342 20 NA
## 3 33 1089 99.98672 2277.9867 20 NA
## 4 34 1156 99.15143 2411.1514 20 NA
## 5 35 1225 99.09631 2549.0963 20 NA
## 6 36 1296 99.87204 2691.8720 20 NA
## 7 37 1369 100.76541 2838.7654 20 NA
## 8 38 1444 100.95507 2988.9551 20 NA
## 9 39 1521 100.26664 3142.2666 20 NA
## 10 40 1600 99.33306 3299.3331 20 NA
## 11 11 121 100.00443 342.0044 20 NA
## 12 12 144 100.84385 388.8439 20 NA
## 13 13 169 100.90745 438.9074 20 NA
## 14 14 196 100.13674 492.1367 20 NA
## 15 15 225 99.24031 549.2403 20 NA
## 16 16 256 99.04234 611.0423 20 NA
## 17 17 289 99.72484 677.7248 20 NA
## 18 18 324 100.66032 748.6603 20 NA
## 19 19 361 100.98870 822.9887 20 NA
## 20 20 400 100.40808 900.4081 20 NA
class(RasMultiCapa[c(4,2),])
## [1] "data.frame"
Otro
Llamamos la sexta columna
RasMultiCapa[,6]

## 1 6 36 100.96017 172.9602 20 NA
## 2 16 256 99.04234 611.0423 20 NA
## 3 26 676 100.64692 1452.6469 20 NA
## 4 36 1296 99.87204 2691.8720 20 NA
## 5 46 2116 99.56782 4331.5678 20 NA
## 6 56 3136 100.85322 6372.8532 20 NA
## 7 66 4356 99.00035 8811.0004 20 NA
## 8 76 5776 100.82433 11652.8243 20 NA
## 9 86 7396 99.61630 14891.6163 20 NA
## 10 96 9216 99.81957 18531.8196 20 NA
class(RasMultiCapa[,6])
## [1] "data.frame"
Segundo atributo de la sexta columna

RasMultiCapa[,6][2]
## Atributo2
## 1 36
## 2 256
## 3 676
## 4 1296
Más complejos
Se pueden generar arreglos más complejos
RasMultiCapa[c(1,3,4),c(1,3,7)][c(1,2)]
## Atributo1 Atributo2
## 1 1 1
## 2 3 9
## 3 7 49
## 4 21 441
## 5 23 529
## 6 27 729
## 7 31 961
## 8 33 1089
## 9 37 1369
class(RasMultiCapa[c(1,3,4),c(1,3,7)][c(1,2)])
## [1] "data.frame"
Condicionales
RasPrueba2 <- RasPrueba1
Qué valores son mayores a 50?

RasPrueba2[]>50
## Atributo
## [1,] FALSE
## [2,] FALSE
## [3,] FALSE
## [4,] FALSE
## [5,] FALSE
## [6,] FALSE
## [7,] FALSE
## [8,] FALSE
## [9,] FALSE
## [10,] FALSE
## [11,] FALSE
## [12,] FALSE
## [13,] FALSE
## [14,] FALSE
## [15,] FALSE
## [16,] FALSE
## [17,] FALSE
## [18,] FALSE
## [19,] FALSE
## [20,] FALSE
## [21,] FALSE
## [22,] FALSE
## [23,] FALSE
## [24,] FALSE
which()
Con which podemos identificar la posición de la celda que cumpla con cierta condición
indices <- which(103 <RasMultiCapa[[2]][,] & RasMultiCapa[[2]][,]<500)
indices
## [1] 11 12 13 14 15 16 17 18 19 20 21 22
La variable indices nos muestra las posiciones de los elementos que cumplieron la condición. La sustituimos en el
raster para mostrar los valores.
RasMultiCapa[[2]][indices]
## Atributo2
## 1 121
## 2 144
## 3 169
## 4 196
## 5 225
## 6 256
## 7 289
## 8 324
## 9 361
## 10 400
## 11 441
## 12 484
Le asignamos el valor NA a las seldas seleccionadas por indices

RasMultiCapa[[2]][indices] <- NA
is.na()
Podemos ver los datos faltantes con is.na()
indNA <- is.na(RasMultiCapa[[2]][,])
indNA
## Atributo2
## [1,] FALSE
## [2,] FALSE
## [3,] FALSE
## [4,] FALSE
## [5,] FALSE
## [6,] FALSE
## [7,] FALSE
## [8,] FALSE
## [9,] FALSE
## [10,] FALSE
## [11,] TRUE
## [12,] TRUE
## [13,] TRUE
## [14,] TRUE
## [15,] TRUE
## [16,] TRUE
## [17,] TRUE
## [18,] TRUE
## [19,] TRUE
## [20,] TRUE
## [21,] TRUE
## [22,] TRUE
## [23,] FALSE
## [24,] FALSE
## [25,] FALSE
## [26,] FALSE
## [27,] FALSE
## [28,] FALSE
## [29,] FALSE
which.min() y which.max()
Los índices de las posiciones de los valores mínimos
which.min(RasMultiCapa$Atributo4)
## coord. ref. :
## name : which.min
## min value : 1
## max value : 1
Los índices de las posiciones de los valores máximos

which.max(RasMultiCapa$Atributo4)
## coord. ref. :
## name : which.max
## min value : 1
## max value : 1
Gráfica. . .
Explique la siguiente gráfica
RasMultiCapa[20:30] <- NA
plot(RasMultiCapa)
Atributo1 Atributo2 Atributo3

200
200
200
100 10000
80 8000
100
100
100
100.5
60 6000
100.0
0
0
40 4000
−100
−100
−100
99.5
20 2000
−200
−200
−200
−100 −50 0 50 100 −100 −50 0 50 100 −100 −50 0 50 100
Atributo4 Atributo5
200
200
20000
20
100
100
15000
10000
0
0
−100
−100
5000
−200
−200
−100 −50 0 50 100 −100 −50 0 50 100

Gráfica Atributo 3
plot(RasMultiCapa$Atributo3)
text(RasMultiCapa$Atributo3,cex=0.5)
200
101 100 99 99 100 101 101 100 99 99
100 101 101 100 99 99 100 101 101
100
100.5
101 101 100 99 99 100 101 101 100 99
99 100 101 101 101 100 99 99 100 101
100.0
0
101 100 99 99 100 101 101 100 99 99
100 101 101 100 99 99 99 100 101 101

−100
100 99 99 100 101 101 100 99 99 100 99.5
101 101 100 99 99 100 101 101 101 100
99 99 100 101 101 100 99 99 100 101

−200
−100 0 100
Normalizar
RasDEM$Normalizado <- RasDEM$RasterDEM/max(RasDEM$RasterDEM[])
head(RasDEM$Normalizado[,],20)
## Normalizado
## [1,] 0.5451843
## [2,] 0.5463734
## [3,] 0.5463734
## [4,] 0.5463734
## [5,] 0.5463734
## [6,] 0.5469679
## [7,] 0.5475624
## [8,] 0.5493460
## [9,] 0.5511296
## [10,] 0.5535077
## [11,] 0.5558859
## [12,] 0.5588585
## [13,] 0.5618312
## [14,] 0.5642093
## [15,] 0.5671819
## [16,] 0.5695600
## [17,] 0.5713436
## [18,] 0.5725327
## [19,] 0.5743163
## [20,] 0.5760999
plot(RasDEM$Normalizado, main="Mapa de Elevaciones Normalizado")
Mapa de Elevaciones Normalizado

1.00
2030000
0.80
Ejercicio:
Genere un reporte en R Markdown con las siguientes indicaciones:
1. Cargue el Mapa de Elevaciones

2. Grafique las alturas correspondientes a 3 renglones distintos, de su elección.
3. Identifique las al alturas menores a 300 y asígneles el valor de 300 en una nueva capa llamada Filtro.
4. Grafique el histograma de los valores de esta nueva capa Filtro.
5. Grafique el mapa de elevaciones de esta nueva capa.
Respuestas
Altura(m) Filas 50, 550 y 1050
600 800 1000 1200 1400

Respuesta 2
Altura(m) Columnas 50, 350 y 650
200 400 600 800 1000 1200

Respuesta 4
## Warning: [hist] a sample of 62% of the cells was used
3e+05
2e+05 Filtro
Frequency
1e+05
0e+00
400 600 800 1000 1200 1400 1600
v
Respuesta 5
2030000
1600
1400
2025000
1200
2020000
1000
800
2015000
600
2010000
400
3e+05 305000 310000

2 1 RasterDataTerra

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2 1 RasterDataTerra

Uploaded by

Copyright:

Available Formats

Datos tipo Raster

Cargamos librería raster

Cargamos un archivo tipo raster

file1 <- "../../Archivos/RasterFiles/RasterDEM.TIF"

Qué información puede decirme al respecto?

plot(RasDEM, main ="Cuenta del Río Huazuntlán")

Cuenta del Río Huazuntlán

3e+05 305000 310000

Puede interpretar el mapa?

Podemos ver la altura máxima con max()

Identificar los cuantiles

## 0% 25% 50% 75% 100%

## [1] 278 506 850

0 500 1000 1500

## SpatExtent : 295896.599921734, 310601.111726528, 2006738.88835699, 2031547.11379452 (xmin, xmax, ymin,

## [1] "matrix" "array"

## [1] 1650 978 1

## [1] 15.03529 15.03529

## [1] "PROJCRS[\"WGS 84 / UTM zone 15N\",\n BASEGEOGCRS[\"WGS 84\",\n DATUM[\"World Geodetic Sy

SPolInfluencia <- buffer(SVL,10*res(RasDEM)[1])

3e+05 305000 310000

0 5000 10000 15000

Se muestran los datos del raster

## Warning: [readValues] raster has no values

También se pueden mostrar de la siguiente manera

Qué tipo de dato es RasPrueba1[] ?

Observe la manera en que se numeró la gráfica.

La indización de los datos es similar a la de las matrices

Qué tipo de datos son los subconjuntos para cada caso?

Cambiamos el nombre de la capa

RasMultiCapa <- RasPrueba1

names(RasMultiCapa) <- "Atributo1"

RasMultiCapa$Atributo2 <- RasPrueba1*RasPrueba1

## [1] "Atributo1" "Atributo2" "Atributo3" "Atributo4"

−100 0 100 −100 0 100

plot(RasMultiCapa$Atributo6,main='Capa con NAs' )

Ahora ala estructura del archivo tipo RasterStack

Accedemos a la 3er capa

Accedemos a la capa llamada Atributo2

Accedemos al quinto elemento de la segunda capa

Accedemos a la segunda fila de la primera capa

Qué sucede aquí?

Llamamos el 1er elemento de RasMultiCapa

## Atributo1 Atributo2 Atributo3 Atributo4 Atributo5 Atributo6

Llamamos la celda 50 de RasMultiCapa

## Atributo1 Atributo2 Atributo3 Atributo4 Atributo5 Atributo6

Llamamos la 1er fila de RasMultiCapa

## Atributo1 Atributo2 Atributo3 Atributo4 Atributo5 Atributo6

## Atributo1 Atributo2 Atributo3 Atributo4 Atributo5 Atributo6

## Atributo1 Atributo2 Atributo3 Atributo4 Atributo5 Atributo6

Segundo atributo de la sexta columna

Se pueden generar arreglos más complejos

Qué valores son mayores a 50?

Le asignamos el valor NA a las seldas seleccionadas por indices

Los índices de las posiciones de los valores máximos

Atributo1 Atributo2 Atributo3

−100 −50 0 50 100 −100 −50 0 50 100

100 101 101 100 99 99 100 101 101

101 101 100 99 99 100 101 101 100 99

99 100 101 101 101 100 99 99 100 101

101 100 99 99 100 101 101 100 99 99

100 101 101 100 99 99 99 100 101 101

100 99 99 100 101 101 100 99 99 100 99.5