INTRODUCCIÓN

La aparición de movimientos de ladera no sólo están influidos por factores topográficos, sino también por factores humanos, como por ejemplo el volumen y el tipo de cubierta vegetal, los usos del terreno etc… A continuación se extiende la actividad a la evaluación de la posible influencia de estos factores humanos en la ubicación y magnitud de los movimientos de ladera de los paises/regiones seleccionadas.

Para ello, los alumnos deberán descargar los siguientes materiales.

En primer lugar, se inactiva la notación científica.

options(scipen = 999)

También es necesario contar con los siguientes ficheros:

library(sf)
## Warning: package 'sf' was built under R version 4.3.3
## Linking to GEOS 3.11.2, GDAL 3.8.2, PROJ 9.3.1; sf_use_s2() is TRUE
sf_region <- st_read("D:/G171_Procesos_Geomorfologicos_2022/2_Procesos_Ladera/Practica_Laderas/sf_region.geojson")
## Reading layer `sf_region' from data source 
##   `D:\G171_Procesos_Geomorfologicos_2022\2_Procesos_Ladera\Practica_Laderas\sf_region.geojson' 
##   using driver `GeoJSON'
## Simple feature collection with 93 features and 1 field
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: -126163 ymin: 5366748 xmax: 938906 ymax: 6173275
## Projected CRS: WGS 84 / UTM zone 10N
bbox_new <- st_read("D:/G171_Procesos_Geomorfologicos_2022/2_Procesos_Ladera/Practica_Laderas/bbox_new.geojson")
## Reading layer `bbox_new' from data source 
##   `D:\G171_Procesos_Geomorfologicos_2022\2_Procesos_Ladera\Practica_Laderas\bbox_new.geojson' 
##   using driver `GeoJSON'
## Simple feature collection with 1 feature and 0 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: -864334 ymin: 5062152 xmax: 1616492 ymax: 6703487
## Projected CRS: WGS 84 / UTM zone 10N

Igualmetne, se activa el paquete terra

library(terra)
## Warning: package 'terra' was built under R version 4.3.3
## terra 1.8.21

USOS DEL SUELO.

La capa de usos de suelo utilizada es la Global Land Cover 2000. Está basada en el “FAO Land Cover Classification System”, identificando originalmente 23 categorías con una resolución de 1 km. Para reducir su peso y complejidad, se ha remuestreado a una resolución de 10 km y se han agrupado las clases originales en 10 categorías

Categoría Denominación Colores
1 Superficie Forestal “#006E00”
2 Manglares “#9B82E6”
3 Otra vegetación natural “#E664E6”
4 Pastos “#B4E664”
5 Humedales “#B4FEF0”
6 Cultivos “#F06432”
7 Suelo desnudo “#C8C8C8”
8 Agua “#A6CEE3”
9 Glaciares “#FFFFFF”
10 Zonas artificiales “#FF0000”

En primer lugar, se carga el fichero ráster que continene la clasificación de usos de suelo de todo el planeta, con una resolución de 1 km.

usos <- rast("D:/G2040/TEMA_3_ESDA_Dossier/datos/usos_5m_10clases.tif")
usos <- project(usos, 
               "EPSG:32610", 
               method = "near")

Para extraer la información correspondiente al país que hemos seleccionado, primero se debe recortar la imagen (función crop()) y luego convertir todos los píxeles situados en el exterior en NoData (función mask()). Estas funciones requieren la misma sintaxis: el fichero ráster a recortar y limpiar y el fichero vectorial con los límites.

usos_recortado <- crop(usos, 
                       bbox_new)

usos_definitivo <- mask(usos_recortado, 
                         bbox_new)

El fichero usos es un fichero ráster con valores numéricos representando diferentes usos de suelo. Para convertirlo en un fichero ráster categórico, debemos realizar las siguientes operaciones.

En primer lugar, conocer cuántos usos diferentes aparecen en nuestro país:

unique(usos_definitivo)
##   glc2000_v1_1
## 1            1
## 2            3
## 3            4
## 4            5
## 5            6
## 6            8
## 7            9
## 8           10

Segundo, añadir las etiquetas para cada una de las categorías (usos de suelo) que existen en nuestro país. Para ello se comprueba que no existen categorías y se añaden a continuación

levels(usos_definitivo)                                                        # Comprobar si incluye etiquetas (categorías)
## [[1]]
## [1] ""
levels(usos_definitivo) <- data.frame(ID = unique(usos_definitivo), 
                                      category = c("Forestal", "Otra vegetacion", "Pastos", "Humedales", "Cultivos", "Agua", "Glaciares", "Artificiales"))

A continuación se representa gráficamente.

plot(usos_definitivo, 
     col = c("#006E00","#E664E6", "#B4E664", "#B4FEF0", "#F06432", "#A6CEE3", "#FFFFFF", "#FF0000"), 
     main= "Usos de suelo")

Se utiliza terra::extract() para extraer el tipo de uso del suelo de la zona en la que ocurrió cada movimiento de ladera.

df_usos <- extract(usos_definitivo, sf_region)
names(df_usos) <- c("ID", "usos")

Para aligerar el Global Environment, se procede a borrar los siguientes objetos espaciales

rm(usos, usos_recortado, usos_enmascarado, usos_definitivo)
## Warning in rm(usos, usos_recortado, usos_enmascarado, usos_definitivo): objeto
## 'usos_enmascarado' no encontrado

POBLACIÓN.

Esta base de datos incluye la población total que habita dentro de cada uno de los píxeles. La fuente es la Gridded Population of the World (GPW).

En primer lugar, se descarga la información.

poblacion <- rast("D:/G2040/TEMA_3_ESDA_Dossier/datos/densidad_poblacion_5m.tif")
poblacion <- project(poblacion, 
               "EPSG:32610")

Se procede al recorte y enmascaramiento del SpatRaster

poblacion_recortado <- crop(poblacion, bbox_new)

poblacion_definitivo <- mask(poblacion_recortado, 
                              bbox_new)

Para su representación gráfica

colores <- colorRampPalette(c("#fff5f0", "#fb6a4a", "#67000d"))(10)  
plot(poblacion_definitivo, 
     main= "Densidad de la población", 
     col = colores)

Por último, se extraen los datos correspondientes a los buffer.

df_poblacion <- extract(poblacion_definitivo, 
                        sf_region)
names(df_poblacion) <- c("ID", "Densidad")
df_poblacion <- format(df_poblacion, scientific = FALSE)

HUELLA ECOLOGICA

La huella ecológica es una estimación de la presión humana, tanto directa como indirecta, en el medio natural. Es un indicador complejo obtenido a partir de la combinación de diferents variables, como las vías de comunicación, la densidad de la población, infraestructuras eléctricas, superficie cultivada etc. Se expresa en una escala de 0 (huella nula) a 50 (huella alta). Primero se cargará el fichero.

huella <- rast("D:/G2040/TEMA_3_ESDA_Dossier/datos/huella_ecologica_5m.tif")
huella <- project(huella, 
               "EPSG:32610")

Recorte y enmascaramiento:

huella_recortado <- crop(huella, 
                       bbox_new)
huella_definitivo <- mask(huella_recortado, 
                         bbox_new)

A continuación se representa en un mapa.

colores <- colorRampPalette(c("green", "yellow", "red"))(10)  
plot(huella_definitivo, 
     main= "Huella ecológica", 
     col = colores)

A continuación se extrae la información correspondiente a los movimientos de ladera.

df_huella <- extract(huella_definitivo, 
                     sf_region)

names(df_huella) <- c("ID", "Huella ecologica")

Generación de un dataframe final que agrupe todos los datos

library(plyr)
## Warning: package 'plyr' was built under R version 4.3.2
df_humanos <- join_all(list(df_usos, df_poblacion, df_huella), 
                     by='ID', 
                     type='left')
View(df_humanos)

A continuación se grabará este dataframe como fichero .csv.

write.csv2(df_humanos, "D:/G171_Procesos_Geomorfologicos_2022/2_Procesos_Ladera/Practica_Laderas/df_humanos.csv")

Finalmente, se elimina todo el conjunto de ficheros innecesarios.

rm(list = ls())