# Simplificar la geometría de los polígonos de un mapa en R > Un problema común al visualizar datos georeferenciados o mapas coropléticos (con colores en las zonas geográficas que se corresponden con los datos) yace en que usamos mapas que tienen geometrías o características geográficas mucho más detalladas de lo que necesitamos. Este exceso de detalle puede jugarle en contra a la visualización que estamos intentando crear, ya sea porque dificulta la interpretación, o complejiza visualmente el gráfico. En esta guía aprenderemos a simplificar mapas en R para producir visualizaciones con el nivel apropiado de detalle, y hacer más rápida la generación de mapas. - URL: https://bastianolea.rbind.io/blog/simplificar_mapas/ - Fecha: 2025-02-27 - Autor: Bastián Olea Herrera - Etiquetas: mapas, visualización de datos --- Un problema común al visualizar datos georeferenciados o mapas coropléticos (con colores en las zonas geográficas que se corresponden con los datos) yace en que usamos mapas que tienen geometrías o características geográficas mucho más detalladas de lo que necesitamos. Este exceso de detalle puede jugarle en contra a la visualización que estamos intentando crear, ya sea porque dificulta la interpretación, o complejiza visualmente el gráfico. Otro problema de trabajar con mapas muy detallados es que la velocidad con la que se generan se ve impactada debido al detalle, lo que resulta inconveniente dado que al visualizar datos usualmente nos encontramos iterando decenas de veces una misma visualización hasta que se vea como queremos. Esto puede ocurrir cuando mapas desde Shapes u otras fuentes cuyo objetivo es representar fidedignamente los territorios; pero al visualizar datos generalmente necesitamos visualizaciones que no requieren exactitud milimétrica en sus polígonos. Generemos un mapa de regiones de Chile, usando las geometrías del paquete {chilemapas}: ``` r library(dplyr) library(sf) library(ggplot2) library(chilemapas) ``` ``` r # generar mapa de regiones mapa_regiones <- chilemapas::mapa_comunas |> st_set_geometry(chilemapas::mapa_comunas$geometry) |> select(codigo_comuna, codigo_region, geometry) |> summarize(geometry = st_union(geometry), .by = codigo_region) mapa_regiones ``` Simple feature collection with 16 features and 1 field Geometry type: GEOMETRY Dimension: XY Bounding box: xmin: -109.4499 ymin: -56.52511 xmax: -66.41617 ymax: -17.49778 Geodetic CRS: SIRGAS 2000 # A tibble: 16 × 2 codigo_region geometry 1 01 POLYGON ((-69.93023 -21.4246, -69.92376 -21.42622, -69.91932 -… 2 02 MULTIPOLYGON (((-68.0676 -24.32856, -67.91698 -24.26902, -67.8… 3 03 MULTIPOLYGON (((-71.58497 -29.02456, -71.58844 -29.02838, -71.… 4 04 MULTIPOLYGON (((-70.54551 -31.30742, -70.53877 -31.30074, -70.… 5 05 MULTIPOLYGON (((-71.33832 -33.45237, -71.33763 -33.44836, -71.… 6 06 POLYGON ((-71.5477 -34.87458, -71.54211 -34.87581, -71.53566 -… 7 07 POLYGON ((-70.41724 -35.63022, -70.41108 -35.6302, -70.40146 -… 8 08 MULTIPOLYGON (((-73.53466 -36.97378, -73.53245 -36.97829, -73.… 9 09 MULTIPOLYGON (((-73.35306 -38.73343, -73.35396 -38.72799, -73.… 10 10 MULTIPOLYGON (((-73.1691 -41.87755, -73.16135 -41.87781, -73.1… 11 11 MULTIPOLYGON (((-75.41754 -48.73857, -75.43249 -48.74372, -75.… 12 12 MULTIPOLYGON (((-70.35563 -52.94478, -70.34688 -52.93971, -70.… 13 13 POLYGON ((-70.47405 -33.8624, -70.47327 -33.86269, -70.46068 -… 14 14 MULTIPOLYGON (((-73.39503 -39.88698, -73.39672 -39.89339, -73.… 15 15 POLYGON ((-69.07223 -19.02723, -69.06394 -19.02607, -69.04748 … 16 16 POLYGON ((-72.38553 -36.91169, -72.37685 -36.91617, -72.37034 … ``` r mapa_regiones |> ggplot() + aes() + geom_sf() ``` ![](https://bastianolea.rbind.io/blog/simplificar_mapas/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-2-1.png) **Publicación relacionada:** [Mapas y visualización de datos geoespaciales en R con {sf}](https://bastianolea.rbind.io/blog/mapas_sf/index.md): R cuenta con un muy amplio ecosistema para trabajar con datos geoespaciales. Uno de los paquetes más importantes es {sf}, que permite manipular datos espaciales a partir del estándar simple features… Vemos que en la zona sur del país, el detalle del mapa es tal, que los cientos de islas se vuelven en manchas grises debido a sus bordes demasiado detallados. ``` r mapa_regiones |> ggplot() + aes() + geom_sf() + coord_sf(xlim = c(-80, -65), ylim = c(-42, -56)) ``` ![](https://bastianolea.rbind.io/blog/simplificar_mapas/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-3-1.png) Podemos usar el paquete {rmapshaper} para simplificar las geometrías del mapa, bajando así el nivel de detalle de la visualización resultante: ``` r mapa_regiones_simple <- mapa_regiones |> # simplificar geometrías mutate(geometry = rmapshaper::ms_simplify(geometry, keep = 0.05)) mapa_regiones_simple |> ggplot() + aes() + geom_sf() ``` ![](https://bastianolea.rbind.io/blog/simplificar_mapas/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-4-1.png) ``` r mapa_regiones_simple |> ggplot() + aes() + geom_sf() + coord_sf(xlim = c(-80, -65), ylim = c(-42, -56)) ``` ![](https://bastianolea.rbind.io/blog/simplificar_mapas/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-4-2.png) En la función `ms_simplify()`, el valor del argumento `keep` define la calidad resultante del mapa. Si el valor es menor, el mapa tendrá menos detalle. ``` r mapa_regiones |> mutate(geometry = rmapshaper::ms_simplify(geometry, keep = 0.01)) |> ggplot() + aes() + geom_sf() + coord_sf(xlim = c(-80, -65), ylim = c(-42, -56)) ``` ![](https://bastianolea.rbind.io/blog/simplificar_mapas/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-5-1.png) En la función `ms_simplify()`, el valor del argumento `keep` define la calidad resultante del mapa. Si el valor es menor, el mapa tendrá menos detalle. En estos tres mapas comparamos las diferencias entre el mapa original, con detalle al `0.1`, y con detalle al `0.05`: ``` r normal <- mapa_regiones |> # mutate(geometry = rmapshaper::ms_simplify(geometry, keep = 0.1)) |> ggplot() + aes() + geom_sf() + coord_sf(xlim = c(-80, -65), ylim = c(-42, -56)) medio <- mapa_regiones |> mutate(geometry = rmapshaper::ms_simplify(geometry, keep = 0.1)) |> ggplot() + aes() + geom_sf() + coord_sf(xlim = c(-80, -65), ylim = c(-42, -56)) bajo <- mapa_regiones |> mutate(geometry = rmapshaper::ms_simplify(geometry, keep = 0.05)) |> ggplot() + aes() + geom_sf() + coord_sf(xlim = c(-80, -65), ylim = c(-42, -56)) library(patchwork) normal + medio + bajo ``` ![](https://bastianolea.rbind.io/blog/simplificar_mapas/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-6-1.png) **Publicación relacionada:** [Visualizar un mapa de Chile separado en tres secciones](https://bastianolea.rbind.io/blog/mapa_chile_triple/index.md): Como Chile es un país tan largo, a veces cuesta publicar mapas que se vean bien por el espacio que requiere. En otro post intentamos resolver esto girando Chile para que quede horizontal o acostado.… Con respecto a la velocidad de generación de los mapas, realizamos una prueba de rendimiento que compare la velocidad de guardado de dos mapas, uno normal y uno simplificado: ``` r bench::mark(iterations = 20, check = FALSE, normal = ggsave(plot = mapa_regiones |> ggplot() + geom_sf(), filename = "a.jpg"), simple = ggsave(plot = mapa_regiones_simple |> ggplot() + geom_sf(), filename = "b.jpg") ) ``` # A tibble: 2 × 6 expression min median `itr/sec` mem_alloc `gc/sec` 1 normal 157.3ms 166ms 5.77 27.8MB 11.5 2 simple 99.1ms 101ms 9.77 2.52MB 13.7 Según la prueba, el mapa simplificado se genera aproximadamente el doble de rápido. También podemos compara el uso de memoria de ambos objetos: ``` r object.size(mapa_regiones) |> print(units = "auto") ``` 2.1 Mb ``` r object.size(mapa_regiones_simple) |> print(units = "auto") ``` 178.2 Kb El mapa simplificado consume un 10% de memoria con respecto al mapa original. ------------------------------------------------------------------------ Si te interesa el tema de los mapas, en otros tutoriales hemos visto cómo [hacer mapas de Chile con R, tanto comunales como regionales](https://bastianolea.rbind.io/blog/tutorial_mapa_chile/), así como también de la [zona urbana de la Región Metropolitana](https://bastianolea.rbind.io/blog/tutorial_mapa_urbano/). Además aprendimos cómo agregar [características espaciales como calles y autopistas](https://bastianolea.rbind.io/blog/tutorial_mapas_osm/) obtenidas desde Open Street Map. **Publicaciones sobre mapas:** - [Plantilla de mapa interactivo de Chile con R, Shiny y MapGL](https://bastianolea.rbind.io/blog/2026-10-14/index.md) - [Mapas interactivos con {mapgl} para visualizar datos geoespaciales en R](https://bastianolea.rbind.io/blog/mapas_mapgl/index.md) - [Optimizando la visualización de datos geográficos complejos con {pmtiles}](https://bastianolea.rbind.io/blog/2026-08-03/index.md) - [Probando visores de mapas interactivos en R con {mapgl}](https://bastianolea.rbind.io/blog/2026-07-29/index.md) - [Mapas bivariados de adultos mayores en relación a viviendas propias en las comunas de Chile](https://bastianolea.rbind.io/blog/2026-07-24/index.md)