Incidentes con Fauna Feral

El siguiente codigo explica de manera detallada como se realiza el mapa web de Incidentes con Fauna Feral.

library(sf)
library(readxl)
library(dplyr)
library(leaflet)
library(reshape2)
library(htmlwidgets)
library(leaflet.extras)
library(leaflet.extras2)

En este caso unicamente vamos a trabajar con una base de datos, la cual la definimos de la siguiente forma:

clues= readxl::read_excel("C:/Users/eagel/OneDrive/Escritorio/Lalo/Escuela/Gob/Proyectos/Mordeduras_perritos/Datos/CLUES_gastrointestinales/morbi general  X unidad sectorial 2023 (1).xlsx")

Vamos a trabajar la base en dos partes:

Filtrar por “perro”
- Busca en la columna padecimiento todos aquellos que incluyan la palabra “perro”.
Filtrar por “total”
- En la columna Unidad médica, selecciona los registros que contengan la palabra “total”.
- Luego, eliminamos la palabra “Total” al inicio del texto para quedarnos solo con el nombre del sitio.
- Por último, eliminamos la columna padecimiento.

clues_c_perros = clues|> 
  dplyr::filter(grepl("perro",Padecimiento)) 

clues_total_pad=clues|>
  dplyr::filter(grepl("Total",`Unidad médica`))|>
  dplyr::mutate(`Unidad médica`=sub("^Total ", "", `Unidad médica`))|>
  dplyr::select(-Padecimiento)

Se usa la función grepl para encontrar las filas de esa columna que contienen la palabra "perro" o "total". Luego, en el caso de la segunda variable definida, se utiliza la función sub para reemplazar la palabra "Total" al inicio del texto por un espacio en blanco.

Después, vamos a unir las dos bases que trabajamos por separado en una nueva variable llamada clues_c_perros_y_total. Lo que haremos es lo siguiente:

Usaremos todas las columnas de la base clues_c_perros.
A esta base le agregaremos la columna Casos de la base clues_total_pad, pero renombrada como Casos_total.
La unión se hará por la columna CLUES, y se mantendrá el número de filas de clues_total_pad.

Luego, se añade una nueva columna llamada porc_casos_perros que representa el porcentaje de casos por sitio. Este se calcula dividiendo el número de casos (Casos) entre el total de casos (Casos_total) para cada fila, y luego multiplicando el resultado por 100.

clues_c_perros_y_total = merge(x = clues_c_perros, y = clues_total_pad |> dplyr::select(CLUES,Casos)|> dplyr::mutate(Casos_total = Casos)|> dplyr::select(-Casos), by='CLUES', all.y = T)
clues_c_perros_y_total$porc_casos_perros = clues_c_perros_y_total$Casos/clues_c_perros_y_total$Casos_total*100

Después, vamos a abrir un archivo shp, que contiene las geometrías (como los municipios) relacionadas con la información que hemos estado trabajando. Luego, unimos esa información geográfica a nuestra base clues_c_perros_y_total usando un merge. Finalmente, convertimos el resultado en un objeto sf para trabajar con datos espaciales.

clues_shp = sf::read_sf("C:/Users/eagel/OneDrive/Escritorio/Lalo/Escuela/Gob/Proyectos/Mordeduras_perritos/Datos/CLUES_gastrointestinales/clues_gastrointestinales_shapefile.shp")
clues_c_perros_y_total = merge(x = clues_c_perros_y_total, y = clues_shp|> dplyr::select(CLUES, mun, geometry), by = 'CLUES')
clues_c_perros_y_total = clues_c_perros_y_total |> st_as_sf()

Luego, vamos a trabajar con la misma base de datos pero ordenándola de diferentes maneras:

clues_c_perros_y_total_p: se ordena por la columna porc_casos_perros, de mayor a menor.
clues_c_perros_y_total_n: se ordena por la columna Casos, también de mayor a menor.

clues_c_perros_y_total_p = clues_c_perros_y_total[order(clues_c_perros_y_total$porc_casos_perros, decreasing = TRUE), ]
clues_c_perros_y_total_n = clues_c_perros_y_total[order(clues_c_perros_y_total$Casos, decreasing = TRUE), ]

Apartir de estas 2 variables vamos a definir unas paletas de colores continuas de amarillo a rojo y los valores que esten en NA en gris.

pal_perros = colorNumeric(c("yellow","red"),domain = clues_c_perros_y_total_p$porc_casos_perros, na.color = "grey")
pal_perros_n = colorNumeric(c("yellow","red"),domain = clues_c_perros_y_total_n$Casos, na.color = "grey")

Ahora vamos a definir las variables necesarias para crear el mapa de calor.

Aunque solo se necesitan los puntos (coordenadas) y no es estrictamente necesario unirlos a la base de datos original, prefiero crear dos nuevas columnas nuevas que contengan estas coordenadas. Esto ayuda a mantener un mejor orden y claridad entre los datos y lo que se está graficando.

# Porcentaje de casos
clues_c_perros_y_total_p = clues_c_perros_y_total_p |> dplyr::filter(!is.na(porc_casos_perros))
coordenadas_porcentaje = sf::st_coordinates(clues_c_perros_y_total_p )
longitud_porcentaje = coordenadas_porcentaje[,1]
latitud_porcentaje = coordenadas_porcentaje[,2]

clues_c_perros_y_total_p$latitud = latitud_porcentaje
clues_c_perros_y_total_p$longitud = longitud_porcentaje


# Numero de casos de Mordedura
clues_c_perros_y_total_n = clues_c_perros_y_total_n |> dplyr::filter(!is.na(Casos))
coordenadas_numero = sf::st_coordinates(clues_c_perros_y_total_n)
longitud_numero = coordenadas_numero[,1]
latitud_numero = coordenadas_numero[,2]

clues_c_perros_y_total_n$latitud = latitud_numero
clues_c_perros_y_total_n$longitud = longitud_numero

Hacemos uso de filter(!is.na(porc_casos_perros)) o de filter(!is.na(Casos)) para unicamente quedarnos para aquellos puntos que tienen un valor y grafiquen en el mapa de calor.

Generar mapa web

perros = leaflet()|>
  addTiles()|>
  addCircles(data = clues_c_perros_y_total_p |> as("Spatial"), color = pal_perros(clues_c_perros_y_total_p$porc_casos_perros), 
             radius = clues_c_perros_y_total_p$porc_casos_perros*200, 
             label = ~paste(Municipio, "-",clues_c_perros_y_total_p$`Unidad médica`),
             opacity = 0.5, 
             fillOpacity = 0.5,
             popup = ~paste("Municipio:", clues_c_perros_y_total_p$mun,
                            "<br> Nombre: ",clues_c_perros_y_total_p$`Unidad médica`,
                            "<br> Mordeduras de perros: ",clues_c_perros_y_total_p$Casos,
                            "<br> Total de casos en el establecimiento: ",clues_c_perros_y_total_p$Casos_total,
                            "<br> % de casos de mordeduras: ",clues_c_perros_y_total_p$porc_casos_perros|>round(2),"%"
             ),group = "Porcentaje de casos de mordeduras"
             )|>
  addCircles(data = clues_c_perros_y_total_n |> as("Spatial"), color = pal_perros_n(clues_c_perros_y_total_n$Casos), 
             radius = clues_c_perros_y_total_n$Casos*10, 
             opacity = 0.5,fillOpacity = 0.5,
             popup = ~paste("Municipio:", clues_c_perros_y_total_n$mun,
                            "<br> Nombre: ",clues_c_perros_y_total_n$`Unidad médica`,
                            "<br> Mordeduras de perros: ",clues_c_perros_y_total_n$Casos,
                            "<br> Total de casos en el establecimiento: ",clues_c_perros_y_total_n$Casos_total,
                            "<br> % de casos de mordeduras: ",clues_c_perros_y_total_n$porc_casos_perros|>round(2),"%"
              ),group = "Número de casos de mordeduras"
             )|>
  addHeatmap(data = clues_c_perros_y_total_p |> as("Spatial"), lng = clues_c_perros_y_total_p$longitud, lat = clues_c_perros_y_total_p$latitud, blur= 5, max = 1, radius = 40, group = "Porcentaje de casos de mordeduras", gradient = "Reds") |>
  addHeatmap(data = clues_c_perros_y_total_n |> as("Spatial"), lng = clues_c_perros_y_total_n$longitud, lat = clues_c_perros_y_total_n$latitud, blur = 5, max = 1, radius = 40, group = "Número de casos de mordeduras", gradient = "Reds") |>
  addSearchFeatures(targetGroups = "Porcentaje de casos de mordeduras",
                    options = searchFeaturesOptions(
                      zoom = 12, 
                      openPopup = F,
                      firstTipSubmit =F,
                      hideMarkerOnCollapse =T))|>
  addLayersControl(
    baseGroups = c("Porcentaje de casos de mordeduras", "Número de casos de mordeduras"),
    options = layersControlOptions(collapsed = FALSE,)
  )|>
  hideGroup(c("Número de casos de mordeduras"))|>
  addControl(
    html = "<h2 style='color: darkblue;text-align: center;'>Casos de Mordeduras por Perros a nivel de CLUES</h2>",
    position = "bottomleft"
  )

Para crear un mapa interactivo en R con leaflet, seguimos estos pasos:

Iniciar el mapa:
leaflet() |> addTiles()
Esto genera un mapa vacío con la capa base que proporciona addTiles().
Añadir geometrías:
Dependiendo de tus datos, puedes agregar:
- Puntos con addCircleMarkers() o addMarkers()
- Líneas con addPolylines()
- Polígonos con addPolygons()
- Rasters con addRasterImage()
- Mapas de calor con heatmap()
- Etcétera.
Por ejemplo, en nuestro código primero agregamos addCircles(), que muestra el porcentaje de casos de mordeduras, y luego otro addCircles() que representa el número total de casos de mordeduras. De manera análoga, también se incorporan los mapas de calor mediante heatmap().

Aquí queremos hacer un paréntesis para explicar cómo está estructurado el uso de addCircles(). Los principales parámetros que contiene son los siguientes:
- data: indica con qué base de datos estamos trabajando.
- radius: especifica qué columna se usará para definir el radio de los círculos.
- label: define la información que aparecerá al pasar el cursor sobre los círculos.
- opacity: determina la opacidad del borde del círculo.
- fillOpacity: define la opacidad del relleno del círculo.
- popup: muestra la información que se desplegará al hacer clic sobre los círculos. En este apartado se suele utilizar una estructura en HTML.
- group: indica la capa a la que pertenece el elemento, lo cual es útil para el control de capas con addLayersControl().
De manera analoga vamos a detallar mas como esta estructurada la funcion heatmap, sus parametros son:
- data: Es el conjunto de datos que contiene los puntos geoespaciales que se van a usar para generar el mapa de calor.
- lng: Define la columna que contiene las longitudes de los puntos.
- lat: Define la columna que contiene las latitudes de los puntos.
- blur: Controla el nivel de difuminado de cada punto.
- max: Define el valor máximo que puede alcanzar la intensidad del heatmap.
- radius: Especifica el radio en píxeles de influencia de cada punto.
- group: Etiqueta del grupo de capas. Permite controlar la visualización del heatmap mediante controles de capas (addLayersControl).
- gradient: Define el esquema de colores del heatmap.
Búsqueda dentro del mapa: Para buscar objetos por su etiqueta, se hace uso de addSearchFeatures() donde sus paremetros son:
- targetGroups: grupo (data.frame) donde buscar.
- zoom: nivel al encontrar el objeto.
- openPopup: abre el popup, es decir, hace la accion cuando pulsas con el mouse el objeto.
- hideMarkerOnCollapse: Indica si quieres que el buscador se encuentre suprimido
- position: ubicación del widget de búsqueda.
Control de capas: Para activar o desactivar grupos de capas usaremos, se hace uso de addLayersControl donde los parametros son:
- baseGroups: capas base los cuales las debemos anotar en un vector c("Porcentaje de casos de mordeduras", "Número de casos de mordeduras").
- overlayGroups: capas superpuestas que pueden mostrarse juntas. En el caso que existan debes anotarlas como un vector.
- position: indica en que parametro te posicionas este panel.
- options = layersControlOptions(collapsed = FALSE) mantiene el panel de control abierto.
Capas Iniciales: Para que algunas capas del mapa estén ocultas al iniciar el mapa se hace uso de hideGroup donde su paremetros es:
- group: Define las capas que empezarán ocultas.
Agregar un texto: Hacemos uso de addControl el los parametros de uso son:
- html: El argumento HTML con el texto que le vas a pasar.
- position:* La posicion en el que este se encuentra.

Para vizualizar nuestro mapa debemos mandarlo ha llamar, es decir:

perros

Finalmente para guardar nuestro mapa hacemos uso de:

library(htmlwidgets)
saveWidget(perros, "C:/Users/eagel/OneDrive/Escritorio/Lalo/Escuela/Gob/Proyectos/Mordeduras_perritos/mapa_mordedura_perros.html",selfcontained = T, title = "Accidentes fauna feral")

Incidentes con Fauna Feral

Eduardo Alanis

2025-05-14

Generar mapa web