Crea un mapa de Chile desde datos geoespaciales oficiales en R

En post anteriores mostré cómo hacer mapas comunales y regionales de Chile con R, y a hacer mapas de los territorios urbanos del país.

En este tutorial aprenderemos a crear mapas de Chile en R usando datos geográficos o shapes oficiales de Chile, obtenidos desde la Subsecretaría de Desarrollo Regional y Administrativo (Subdere) y la Biblioteca del Congreso Nacional de Chile (BCN).

El objetivo será aprender a visualizar mapas desde shapefiles obtenidos de internet, y a procesar datos geográficos más complejos con R, para generar mapas de Chile con polígonos y límites geográficamente correctos.

Obtener datos geográficos

El primer paso para visualizar mapas es obtener los datos geográficos. Con esto nos referimos a los polígonos (figuras geométricas que usualmente representan territorios), líneas (que pueden representar límites o redes viales) y puntos (que pueden representar ubicaciones como municipios o capitales).

Los datos geográficos suelen venir como shapes, que usualmente son carpetas que contienen archivos, principalmente shapefiles (.shp).

Los siguientes botones ofrecen descargas directas de los datos que usaremos desde sus fuentes originales, la mayoría de ellos obtenidos desde la IDE Subdere.

La división político-administrativa contiene los polígonos a nivel comunal, provincial y regional que consituyen el territorio de Chile, y provienen de la Subdere (2023):

Los límites comunales de la división político-administrativa contiene las líneas que limitan las unidades administrativas (comunas) del país, y provienen de la Subdere (2022):

Las ubicaciones de los municipios marcan con puntos la localización de estas instituciones, y provienen de la Subdere (2022):

La red vial es el conjunto de líneas que representan las carreteras y caminos de todo el país, y provienen de la Bibioteca del Congreso Nacional de Chile (BCN):

Alternativamente, puedes descargar los archivos desde R ejecutando este código:

dir.create("shapes") # crear carpeta

# descargar
download.file("https://ide.subdere.gov.cl/wp-content/uploads/74_limites_dpa_2022.zip",
              "shapes/74_limites_dpa_2022.zip")

download.file("https://ide.subdere.gov.cl/descargas/SHP/Limite_DPA_03082023.rar",
              "shapes/Limite_DPA_03082023.rar")

download.file("https://ide.subdere.gov.cl/descargas/SHP/Municipios_15112022.zip",
              "shapes/Municipios_15112022.zip")

download.file("https://www.bcn.cl/obtienearchivo?id=repositorio/10221/10403/2/Red_Vial.zip",
              "shapes/Red_Vial.zip")

Una vez que descargamos los archivos, debemos descomprimirlos para obtener las carpetas que contienen los shapes.

Cargar datos geográficos

Para trabajar con datos geográficos usamos el paquete {sf}, abreviación de simple features, que es un estándar para manejar datos geoespaciales. Si no tienes instalado el paquete, instálalo con install.packages("sf").

Para leer un archivo geoespacial usamos la función read_sf() apuntada a la carpeta que contiene los shapefiles:

library(sf)
library(janitor)

# polígonos de comunas
comunas <- read_sf("shapes/DPA_2023/COMUNAS") |> clean_names()

# límites comunales
limites <- read_sf("shapes/74_limites_dpa_2022") |> clean_names()

# ubicación de municipalidades
municipios <- read_sf("shapes/Municipios_15112022") |> clean_names()

# red vial
calles <- read_sf("shapes/Red_Vial") |> clean_names()

Algunos de estos mapas pueden ser muy detallados y/o complejos, por lo que pueden tardarse en cargar¹.

Si verificamos la clase de uno de los objetos geográficos cargados, vemos que una de sus clases es sf, pero al mismo tiempo tbl y data.frame:

class(comunas)

[1] "sf"         "tbl_df"     "tbl"        "data.frame"

Si lo imprimimos en la consola, confirmamos que los objetos cargados desde los shapefiles son tablas de datos que arriba dicen Simple feature collection; es decir, son tablas de datos que además tienen información geográfica.

comunas

Simple feature collection with 345 features and 7 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -109.4549 ymin: -56.53777 xmax: -66.41559 ymax: -17.4984
Geodetic CRS:  GCS_SIRGAS-Chile
# A tibble: 345 × 8
   cut_reg cut_prov cut_com region                   provincia comuna superficie
   <chr>   <chr>    <chr>   <chr>                    <chr>     <chr>       <dbl>
 1 11      113      11302   Aysén del General Carlo… Capitán … O'Hig…      7785.
 2 05      055      05503   Valparaíso               Quillota  Hijue…       268.
 3 08      083      08308   Biobío                   Biobío    Quila…      1124.
 4 09      092      09209   La Araucanía             Malleco   Renai…       265.
 5 09      092      09202   La Araucanía             Malleco   Colli…      1306.
 6 15      152      15201   Arica y Parinacota       Parinaco… Putre       5890.
 7 07      071      07110   Maule                    Talca     San R…       263.
 8 08      083      08311   Biobío                   Biobío    Santa…      1251.
 9 12      121      12102   Magallanes y de la Antá… Magallan… Lagun…      3568.
10 11      113      11303   Aysén del General Carlo… Capitán … Tortel     19991.
# ℹ 335 more rows
# ℹ 1 more variable: geometry <MULTIPOLYGON [°]>

Estas tablas de datos cuentan con una columna geometry, que contiene la información geográfica de los polígonos, puntos y/o líneas de cada observación. A su vez, encima de la tabla de datos vemos información especial, como el tipo de geometría, las dimensiones de la caja (bounding box), y el sistema de coordenadas de referencia (CRS), que indica el tipo de proyección usada.

Visualizar mapas

Una vez cargados los shapes, simplemente es cosa de aplicarlos por capas a un gráfico de {ggplot2}. Las capas de datos geográficos se agregan con geom_sf(), y en este caso, que tenemos varios shapes, en cada capa habría que definir el objeto correspondiente en el argumento data; es decir, cada capa se basa en datos distintos, pero que coinciden en términos de coordenadas.

Entonces, empezamos un gráfico con ggplot(), y luego vamos agregando capas de geom_sf(), recordando que el orden en que agreguemos las capas importa: las primeras (más arriba) serán los objetos en el fondo, y las siguientes capas (en sucesivas líneas) se visualizarán encima de las anteriores.

library(dplyr)
library(ggplot2)

ggplot() +
  # capa de fondo: polígonos de comunas
  geom_sf(data = comunas, aes(fill = region), linewidth = 0) +
  # límites regionales encima de las comunas
  geom_sf(data = limites, color = "peachpuff4", linewidth = 0.2, alpha = 0.8) + 
  # calles
  geom_sf(data = calles |> filter(clase_ruta <= 3), color = "peachpuff4", linewidth = 0.1, alpha = 0.3) +
  # puntos de municipios
  geom_sf(data = municipios, color = "peachpuff4", size = 0.7, alpha = 0.6) + # borde oscuro
  geom_sf(data = municipios, color = "cornsilk1", size = 0.1, alpha = 0.9) + # centro claro
  # recortar Chile continental
  coord_sf(expand = FALSE,
           xlim = c(-76, -66),
           ylim = c(-56.2, -17)) +
  # paleta de colores
  colorspace::scale_fill_discrete_qualitative(
    palette = "Warm", 
    c1 = 40, # intensidad del color
    l1 = 85) + # brillo del color
  theme_minimal() +
  theme(legend.position = "none")

A las capas de objetos geográficos le especificamos el sistema de coordenadas con coord_sf() para recortar el mapa al territorio continental del país, y además le pusimos una escala de colores cálidos desde el paquete {colorspace}, que además tiene la cualidad de poder adaptar la intensidad y brillo de sus colores.

Listo! La gracia de {sf} es poder entregar herramientas para cargar cualquier tipo de datos geográficos y habilitar que {ggplot2} los pueda graficar sin problemas. A menos que ocurran problemas. Lo cual veremos en otro post 😬