Capítulo32 Leaflet: Mapas interactivos

## [1] "2026-09-09"

32.1 Temas

  • Qué hace distinto a un mapa interactivo
  • Las tres piezas: leaflet(), addTiles() y una capa de marcadores
  • Latitud y longitud: cuál va primero y qué pasa si te equivocas
  • Marcadores: círculos, iconos y agrupamiento
  • Color por categoría y por valor, y la leyenda
  • Ventanas emergentes y etiquetas
  • Capas que se encienden y se apagan

32.2 Por qué un mapa interactivo

Una gráfica de puntos con la longitud en un eje y la latitud en el otro ya es un mapa, y para muchas cosas basta. Lo que añade leaflet es lo que no cabe en una imagen fija:

  • el lector puede acercarse a una zona concreta sin que tú decidas por él cuál;
  • cada punto puede llevar su propia ventana emergente con los datos de esa observación;
  • el fondo es un mapa de verdad, con calles y nombres, así que los puntos se sitúan solos sin que haya que dibujar la costa;
  • se pueden encender y apagar capas, y comparar dos conjuntos en el mismo mapa.

Un mapa de leaflet es HTML: solo funciona en la salida HTML. Si compilas el documento a PDF o a Word, el mapa no aparece. Por eso varios bloques de este capítulo llevan eval=knitr::is_html_output(). Para un artículo impreso hace falta un mapa estático, con ggplot2 y sf, o una captura de pantalla.

library(tidyverse)

Las tres piezas de un mapa: siempre las mismas, en este orden.

  • leaflet(datos): crea el mapa vacío y le dice de dónde salen los datos.
  • addTiles(): pone el fondo. Por defecto usa OpenStreetMap; con addProviderTiles() se puede escoger otro (satélite, relieve, blanco y negro).
  • Una capa de marcadores: addMarkers() (el alfiler clásico), addCircleMarkers() (círculos, que se pueden colorear y dimensionar), addAwesomeMarkers() (iconos).
  • Se encadenan con %>%, igual que las capas de ggplot se suman con +.

El orden de latitud y longitud es la fuente número uno de mapas mal hechos. La latitud va del sur al norte (Puerto Rico está alrededor de 18) y la longitud de oeste a este (Puerto Rico está alrededor de menos 66). En leaflet los argumentos se llaman lat y lng, así que escríbelos siempre con su nombre y nunca por posición. Si tus puntos aparecen en el océano Índico o en la Antártida, casi seguro los cambiaste de sitio.

32.3 Bajar los datos de la web del USGS

Website: https://earthquake.usgs.gov/earthquakes/feed/v1.0/csv.php

Este capítulo descarga datos en vivo desde internet. Si al ejecutar ves un error como Error in download.file(...): cannot open URL o un HTTP error, casi siempre significa que no hay conexión a internet o que el servidor no está respondiendo en ese momento. Verifica tu conexión y vuelve a intentar. En este libro el código usa una copia local guardada en Datos/ cuando la descarga falla, para que el capítulo siempre se pueda generar. Encontrarás más errores frecuentes y cómo resolverlos en el capítulo Errores comunes (14).

library(data.table)
# Intenta bajar los datos en vivo del USGS; si no hay conexión o el servidor
# no responde, usa la copia local guardada en Datos/.
earthquakes <- tryCatch(
  fread("https://earthquake.usgs.gov/earthquakes/feed/v1.0/summary/all_month.csv"),
  error = function(e) readr::read_csv("Datos/Earthquake_all_month.csv")
)

head(earthquakes, n=10)
##                    time latitude longitude  depth   mag magType   nst   gap
##                  <POSc>    <num>     <num>  <num> <num>  <char> <int> <int>
##  1: 2026-09-09 18:02:48 32.25900 -101.9220 4.2877  0.80      ml    25    73
##  2: 2026-09-09 18:00:48 38.80067 -122.7707 1.3500  0.75      md     7    82
##  3: 2026-09-09 17:50:30 31.64800 -104.4700 7.4504  1.90      ml    24    73
##  4: 2026-09-09 17:40:56 38.85133 -122.8495 1.2000  1.40      md    11   174
##  5: 2026-09-09 17:32:43 38.84983 -122.8510 0.7700  1.04      md    14   112
##  6: 2026-09-09 17:29:55 38.84933 -122.8500 1.4900  0.74      md     9   111
##  7: 2026-09-09 17:27:47 38.85083 -122.8478 0.3800  1.81      md    22    96
##  8: 2026-09-09 17:27:20 38.85100 -122.8477 1.4200  1.08      md    10   150
##  9: 2026-09-09 17:25:45 38.85300 -122.8498 1.1600  1.05      md    15   123
## 10: 2026-09-09 17:25:14 38.85350 -122.8502 0.6600  1.40      md    17   146
##         dmin   rms    net           id             updated
##        <num> <num> <char>       <char>              <POSc>
##  1: 0.000000  0.50     tx tx2026ruddyy 2026-09-09 18:06:07
##  2: 0.008561  0.02     nc   nc75432612 2026-09-09 18:02:24
##  3: 0.000000  0.70     tx tx2026ructku 2026-09-09 17:53:47
##  4: 0.016790  0.03     nc   nc75432602 2026-09-09 17:42:33
##  5: 0.016520  0.04     nc   nc75432592 2026-09-09 17:34:18
##  6: 0.015610  0.03     nc   nc75432577 2026-09-09 17:31:29
##  7: 0.015570  0.05     nc   nc75432572 2026-09-09 17:29:24
##  8: 0.015620  0.01     nc   nc75432567 2026-09-09 17:28:59
##  9: 0.018240  0.02     nc   nc75432552 2026-09-09 17:27:24
## 10: 0.018790  0.09     nc   nc75432547 2026-09-09 17:26:49
##                                  place       type horizontalError depthError
##                                 <char>     <char>           <num>      <num>
##  1:         19 km NW of Stanton, Texas earthquake            0.00   1.043933
##  2:        3 km NNW of The Geysers, CA earthquake            0.44   0.660000
##  3: 59 km S of Whites City, New Mexico earthquake            0.00   2.887993
##  4:              11 km WNW of Cobb, CA earthquake            0.37   0.520000
##  5:        11 km NW of The Geysers, CA earthquake            0.29   0.460000
##  6:        11 km NW of The Geysers, CA earthquake            0.59   0.530000
##  7:              11 km WNW of Cobb, CA earthquake            0.19   0.410000
##  8:              11 km WNW of Cobb, CA earthquake            0.38   0.580000
##  9:              12 km WNW of Cobb, CA earthquake            0.28   0.520000
## 10:              12 km WNW of Cobb, CA earthquake            0.32   0.740000
##     magError magNst    status locationSource magSource
##        <num>  <int>    <char>         <char>    <char>
##  1:     0.30     17 automatic             tx        tx
##  2:     0.09      9 automatic             nc        nc
##  3:     0.10     19 automatic             tx        tx
##  4:     0.08     11 automatic             nc        nc
##  5:     0.10     15 automatic             nc        nc
##  6:     0.15     11 automatic             nc        nc
##  7:     0.17     24 automatic             nc        nc
##  8:     0.06     12 automatic             nc        nc
##  9:     0.12     15 automatic             nc        nc
## 10:     0.09     17 automatic             nc        nc
unique(earthquakes$type)
## [1] "earthquake"   "explosion"    "quarry blast" "ice quake"    "landslide"
earthquakes %>% 
  filter(type=="sonic boom")
## Empty data.table (0 rows and 22 cols): time,latitude,longitude,depth,mag,magType...
quarry_blasts=earthquakes %>% 
  filter(type=="quarry blast")

32.4 Si bajo los datos a mi computadora

Use esta alternativa si bajo los datos a su computadora

#library(readr)
#Earthquake_all_month <- read_csv("Datos/Earthquake_all_month.csv")

#EQ=Earthquake_all_month
#head(EQ, n=10)
names(earthquakes)
##  [1] "time"            "latitude"        "longitude"       "depth"          
##  [5] "mag"             "magType"         "nst"             "gap"            
##  [9] "dmin"            "rms"             "net"             "id"             
## [13] "updated"         "place"           "type"            "horizontalError"
## [17] "depthError"      "magError"        "magNst"          "status"         
## [21] "locationSource"  "magSource"
# tipos de datos: str()
str(earthquakes)
## Classes 'data.table' and 'data.frame':   10890 obs. of  22 variables:
##  $ time           : POSIXct, format: "2026-09-09 18:02:48" "2026-09-09 18:00:48" ...
##  $ latitude       : num  32.3 38.8 31.6 38.9 38.8 ...
##  $ longitude      : num  -102 -123 -104 -123 -123 ...
##  $ depth          : num  4.29 1.35 7.45 1.2 0.77 ...
##  $ mag            : num  0.8 0.75 1.9 1.4 1.04 0.74 1.81 1.08 1.05 1.4 ...
##  $ magType        : chr  "ml" "md" "ml" "md" ...
##  $ nst            : int  25 7 24 11 14 9 22 10 15 17 ...
##  $ gap            : int  73 82 73 174 112 111 96 150 123 146 ...
##  $ dmin           : num  0 0.00856 0 0.01679 0.01652 ...
##  $ rms            : num  0.5 0.02 0.7 0.03 0.04 0.03 0.05 0.01 0.02 0.09 ...
##  $ net            : chr  "tx" "nc" "tx" "nc" ...
##  $ id             : chr  "tx2026ruddyy" "nc75432612" "tx2026ructku" "nc75432602" ...
##  $ updated        : POSIXct, format: "2026-09-09 18:06:07" "2026-09-09 18:02:24" ...
##  $ place          : chr  "19 km NW of Stanton, Texas" "3 km NNW of The Geysers, CA" "59 km S of Whites City, New Mexico" "11 km WNW of Cobb, CA" ...
##  $ type           : chr  "earthquake" "earthquake" "earthquake" "earthquake" ...
##  $ horizontalError: num  0 0.44 0 0.37 0.29 0.59 0.19 0.38 0.28 0.32 ...
##  $ depthError     : num  1.04 0.66 2.89 0.52 0.46 ...
##  $ magError       : num  0.3 0.09 0.1 0.08 0.1 0.15 0.17 0.06 0.12 0.09 ...
##  $ magNst         : int  17 9 19 11 15 11 24 12 15 17 ...
##  $ status         : chr  "automatic" "automatic" "automatic" "automatic" ...
##  $ locationSource : chr  "tx" "nc" "tx" "nc" ...
##  $ magSource      : chr  "tx" "nc" "tx" "nc" ...
##  - attr(*, ".internal.selfref")=<pointer: 0x1061d7da0>

32.5 Importación de Paquetes y Datos

library(tidyverse)
library(leaflet)
#library(rinat)
library(RColorBrewer)
library(flextable)

Seleccionar un subgrupo de los datos, solamente los primeros 100 datos

nrow(earthquakes)
## [1] 10890
EQ_100 = earthquakes |> slice(1:100)
head(EQ_100)
##                   time latitude longitude  depth   mag magType   nst   gap
##                 <POSc>    <num>     <num>  <num> <num>  <char> <int> <int>
## 1: 2026-09-09 18:02:48 32.25900 -101.9220 4.2877  0.80      ml    25    73
## 2: 2026-09-09 18:00:48 38.80067 -122.7707 1.3500  0.75      md     7    82
## 3: 2026-09-09 17:50:30 31.64800 -104.4700 7.4504  1.90      ml    24    73
## 4: 2026-09-09 17:40:56 38.85133 -122.8495 1.2000  1.40      md    11   174
## 5: 2026-09-09 17:32:43 38.84983 -122.8510 0.7700  1.04      md    14   112
## 6: 2026-09-09 17:29:55 38.84933 -122.8500 1.4900  0.74      md     9   111
##        dmin   rms    net           id             updated
##       <num> <num> <char>       <char>              <POSc>
## 1: 0.000000  0.50     tx tx2026ruddyy 2026-09-09 18:06:07
## 2: 0.008561  0.02     nc   nc75432612 2026-09-09 18:02:24
## 3: 0.000000  0.70     tx tx2026ructku 2026-09-09 17:53:47
## 4: 0.016790  0.03     nc   nc75432602 2026-09-09 17:42:33
## 5: 0.016520  0.04     nc   nc75432592 2026-09-09 17:34:18
## 6: 0.015610  0.03     nc   nc75432577 2026-09-09 17:31:29
##                                 place       type horizontalError depthError
##                                <char>     <char>           <num>      <num>
## 1:         19 km NW of Stanton, Texas earthquake            0.00   1.043933
## 2:        3 km NNW of The Geysers, CA earthquake            0.44   0.660000
## 3: 59 km S of Whites City, New Mexico earthquake            0.00   2.887993
## 4:              11 km WNW of Cobb, CA earthquake            0.37   0.520000
## 5:        11 km NW of The Geysers, CA earthquake            0.29   0.460000
## 6:        11 km NW of The Geysers, CA earthquake            0.59   0.530000
##    magError magNst    status locationSource magSource
##       <num>  <int>    <char>         <char>    <char>
## 1:     0.30     17 automatic             tx        tx
## 2:     0.09      9 automatic             nc        nc
## 3:     0.10     19 automatic             tx        tx
## 4:     0.08     11 automatic             nc        nc
## 5:     0.10     15 automatic             nc        nc
## 6:     0.15     11 automatic             nc        nc

32.6 Mapa básico con Leaflet

Leaflet es una biblioteca de JavaScript para mapas interactivos, creada por Volodymyr Agafonkin en 2011. Su ventaja es que es ligera y funciona en cualquier navegador. RStudio/Posit creó el paquete leaflet para R en 2015, permitiendo construir estos mapas sin escribir JavaScript. Los mapas base (“tiles”) provienen de OpenStreetMap, un proyecto colaborativo y abierto de cartografía mundial.

leaflet(): construye un mapa interactivo por capas, de forma parecida a ggplot(), pero uniendo las capas con el pipe (%>%).

  • leaflet(data): inicia el mapa con un conjunto de datos.
  • addTiles(): añade el mapa base (por defecto, de OpenStreetMap).
  • addMarkers() / addCircleMarkers(): colocan puntos; ~longitude y ~latitude (la tilde ~) indican qué columnas usar para las coordenadas, y popup el texto que aparece al hacer clic.
names(earthquakes)
##  [1] "time"            "latitude"        "longitude"       "depth"          
##  [5] "mag"             "magType"         "nst"             "gap"            
##  [9] "dmin"            "rms"             "net"             "id"             
## [13] "updated"         "place"           "type"            "horizontalError"
## [17] "depthError"      "magError"        "magNst"          "status"         
## [21] "locationSource"  "magSource"
leaflet(EQ_100) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~longitude, 
             lat = ~latitude, 
             popup = ~mag,
             color= ~(type))
#unique(earthquakes$type)

#color= ~(type),

32.7 Usando la paletas de color de viridis

Pasos

  1. Seleccionar los datos en las áreas de PR, latitud y longitud
  2. Crear una paleta de colores/ o usar viridis
  3. Crear un mapa con los datos de los terremotos
names(EQ_100)
##  [1] "time"            "latitude"        "longitude"       "depth"          
##  [5] "mag"             "magType"         "nst"             "gap"            
##  [9] "dmin"            "rms"             "net"             "id"             
## [13] "updated"         "place"           "type"            "horizontalError"
## [17] "depthError"      "magError"        "magNst"          "status"         
## [21] "locationSource"  "magSource"
unique(EQ_100$type)
## [1] "earthquake"
pal = colorFactor(palette = "magma", domain = NULL)


leaflet(EQ_100) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~longitude, 
             lat = ~latitude, 
             color= ~pal(mag),
             popup = ~paste("Magnitud", mag)
             )

32.8 Trabajando con datos de iNaturalist

32.8.1 Ahora crea un mapa de los terremotos alrededor de Puerto Rico

Obtener los datos de observaciones de una especie en iNaturalist desde R:

Los datos a utilizar se obtendrán desde iNaturalist, una aplicación con base en la ciencia ciudadana que mantiene un registro de ocurrencias de especies.

La función get_inat_obs() permite acceder a los datos disponibles en iNaturalist, especificando los siguientes parámetros:

get_inat_obs() consulta la API de iNaturalist en tiempo real: requiere conexión a internet y el número de observaciones puede variar entre ejecuciones a medida que la comunidad añade registros.

  • taxon_name: La especies de interés, siempre escrita entre comillas (“). Puede utilizar nombre común o científico.

  • quality: Siendo una aplicación basada en ciencia ciudadana, la calidad de algunos datos podría ser baja, debido a que les falta información - como nombre científico o ubicación - o que contienen información errónea - especies mal identificadas-. Colocando 'research' en este parámetro se especifica que se desea obtener sólo aquellas observaciones con alta calidad - que tengan información completa y cuya identificación haya sido confirmada por varias personas de la comunidad -.

  • geo: Al igual que el parámetro quality, este parámetro cuyo valor es lógico (TRUE o FALSE), es para especificar que se quiere obtener sólo los datos que están georeferenciados (cuando se coloca como TRUE).

  • maxresults: A través del API (Interfaz de Programación de Aplicaciones) de iNaturalist se puede acceder a un máximo de 10,000 observaciones en una sola búsqueda. Con este parámetro, cuyo valor debe ser numérico, se especifica cuántas observaciones se desea obtener, y no se debe exceder de 10,000 por búsqueda.

  • bounds: Un vector que contiene los límites geográficos de la búsqueda. Se puede insertar un cuadro delimitador ya especificado en un objeto, concatenar los valores del vector, o insertar un objeto de características simples (Simple Feature, sf). El argumento bounds es importante porque si obtenemos datos de iNaturalist, las únicas columnas que obtenemos con información acerca de la región o área donde se hicieron las observaciones son:

  • place_guess: Contiene el nombre de la región, pero su precisión y los nombres utilizados para cada región varía mucho.

  • latitude: Posición en el eje vertical del sistema de coordenadas.

  • longitude: Posición en el eje horizontal del sistema de coordenadas.
    Esto crea un problema a la hora del filtrar los datos por el nombre de una región, pues es difícil encontrar un solo valor que encompase a todas las variantes del nombre utilizado para esa región. iNaturalist se encuentra a nivel mundial, y usted puede acceder a todos esos datos. Sin embargo, hoy accederemos solamente a datos de Puerto Rico. Entonces, lo primero antes de acceder a los datos de iNaturalist, es crear un objeto que contenga los límites geográficos de interés crea. Para esto se crea un objeto que contenga un cuadro delimitador (bounding box):

cajapr <- c(
  17.75, #Latitud Sur
   -67.4, #Longitud Oeste
  18.75, #Latitud Norte
  -65.15 #Longitud Este
  )

cajapr
## [1]  17.75 -67.40  18.75 -65.15
library(rinat)

Ahora podemos acceder a datos de Puerto Rico utilizando el objeto cajapr. Para este ejercicio utilizaremos datos de orquídeas pertenecientes al género Eulophia. En Puerto Rico se han reportado 3 especies de este género Eulophia alta, Eulophia maculata y Eulophia graminea. De estos, sólo E. alta es considerada nativa de la isla. Entonces, utilizando la función get_inat_obs podemos acceder a los datos de Eulophia en Puerto Rico

# Intenta consultar iNaturalist en vivo y guarda una copia local; si la
# consulta falla (sin conexión o API no disponible), usa esa copia.
eulophia <- tryCatch(
  {
    d <- get_inat_obs(taxon_name = "Eulophia",
                      quality = 'research',
                      geo = TRUE,
                      maxresults = 1000)
    readr::write_csv(d, "Datos/eulophia_inat.csv")
    d
  },
  error = function(e) readr::read_csv("Datos/eulophia_inat.csv")
)

eulophia$scientific_name <- as.factor(eulophia$scientific_name)

flextable(head(eulophia)) # Para ver las primeras 6 lineas en una tabla bonita

scientific_name

datetime

description

place_guess

latitude

longitude

tag_list

common_name

url

image_url

user_login

id

species_guess

iconic_taxon_name

taxon_id

num_identification_agreements

num_identification_disagreements

observed_on_string

observed_on

time_observed_at

time_zone

positional_accuracy

public_positional_accuracy

geoprivacy

taxon_geoprivacy

coordinates_obscured

positioning_method

positioning_device

user_id

user_name

created_at

updated_at

quality_grade

license

sound_url

oauth_application_id

captive_cultivated

Eulophia graminea

2026-09-09 09:06:07 -0400

Miami, FL, US

25.64429

-80.39162

Chinese Crown Orchid

https://www.inaturalist.org/observations/398700575

https://inaturalist-open-data.s3.amazonaws.com/photos/731419649/medium.jpg

kvrawells

398,700,575

Chinese Crown Orchid

Plantae

427,629

2

0

2026-09-09 09:06:07-04:00

2026-09-09

2026-09-09 13:06:07 UTC

Eastern Time (US & Canada)

157

157

false

6,115,044

2026-09-09 13:06:23 UTC

2026-09-09 16:53:59 UTC

research

CC-BY-NC

3

false

Eulophia graminea

2026-09-08 10:22:52 -0400

Lake Placid, FL, US

27.12966

-81.36832

Chinese Crown Orchid

https://www.inaturalist.org/observations/398514987

https://inaturalist-open-data.s3.amazonaws.com/photos/731050289/medium.jpg

saherron

398,514,987

Chinese Crown Orchid

Plantae

427,629

2

0

2026-09-08 10:22:52

2026-09-08

2026-09-08 14:22:52 UTC

Eastern Time (US & Canada)

4

4

false

943,599

Sterling Herron

2026-09-08 19:08:57 UTC

2026-09-09 05:06:01 UTC

research

CC0

843

false

Eulophia alta

2026-09-08 10:51:35 -0400

Immokalee, FL, US

26.44222

-81.55605

Wild Coco

https://www.inaturalist.org/observations/398495914

https://inaturalist-open-data.s3.amazonaws.com/photos/731014474/medium.jpg

cnagele

398,495,914

Wild Coco

Plantae

162,776

1

0

2026-09-08 10:51:35

2026-09-08

2026-09-08 14:51:35 UTC

Eastern Time (US & Canada)

4

4

false

2,340,782

Connie Nagele

2026-09-08 17:54:09 UTC

2026-09-08 19:11:13 UTC

research

CC0

843

false

Eulophia micrantha

2026-09-08 17:06:32 +0200

Overstrand Local Municipality, South Africa

-34.33820

18.85113

Wavy Cinderella Orchid

https://www.inaturalist.org/observations/398453265

https://inaturalist-open-data.s3.amazonaws.com/photos/730935638/medium.jpg

brandon_topham

398,453,265

Wavy Cinderella Orchid

Plantae

1,453,529

1

0

2026-09-08 17:06:32

2026-09-08

2026-09-08 15:06:32 UTC

Pretoria

4

4

open

false

5,281,727

2026-09-08 15:07:50 UTC

2026-09-08 16:09:56 UTC

research

CC-BY-NC

2

false

Eulophia micrantha

2026-09-08 17:04:57 +0200

Overstrand Local Municipality, South Africa

-34.33820

18.85107

Wavy Cinderella Orchid

https://www.inaturalist.org/observations/398453135

https://inaturalist-open-data.s3.amazonaws.com/photos/730935469/medium.jpg

michele40903

398,453,135

Wavy Cinderella Orchid

Plantae

1,453,529

1

0

2026-09-08 17:04:57

2026-09-08

2026-09-08 15:04:57 UTC

Pretoria

6

6

open

false

9,275,170

Michele Topham

2026-09-08 15:07:21 UTC

2026-09-08 16:09:50 UTC

research

CC-BY-NC

2

false

Eulophia parviflora

2026-09-08 09:27:04 +0200

Motala Heights, Pinetown, 3610, South Africa

-29.80394

30.83175

Mini Harlequin

https://www.inaturalist.org/observations/398417743

https://inaturalist-open-data.s3.amazonaws.com/photos/730869013/medium.jpg

berthapi2

398,417,743

Eulophia parviflora

Plantae

577,769

1

0

2026-09-08 09:27:04

2026-09-08

2026-09-08 07:27:04 UTC

Pretoria

7

7

open

false

847,945

2026-09-08 12:34:53 UTC

2026-09-08 14:24:51 UTC

research

CC-BY-SA

2

false

bounds = cajapr Con el siguiente código podemos ver de forma rápida cuántas observaciones de cada especie hemos obtenido de iNaturalist:

summary(as.factor(eulophia$scientific_name))
##         Eulophia aculeata             Eulophia alta     Eulophia andamanensis 
##                         1                        19                         2 
##       Eulophia angolensis          Eulophia bolusii      Eulophia callichroma 
##                         4                         1                         2 
##      Eulophia caricifolia          Eulophia citrina     Eulophia clitellifera 
##                         4                         4                        19 
##       Eulophia cochlearis      Eulophia coeloglossa        Eulophia cucullata 
##                         8                         3                         2 
##     Eulophia diffusiflora           Eulophia ensata     Eulophia eulophioides 
##                         5                         5                         1 
##         Eulophia exaltata            Eulophia flava      Eulophia galeoloides 
##                         1                         1                         1 
##         Eulophia gracilis         Eulophia graminea       Eulophia guineensis 
##                         1                       280                         5 
##         Eulophia herbacea            Eulophia hians      Eulophia hians hians 
##                         1                        20                        12 
## Eulophia hians inaequalis     Eulophia hians nutans       Eulophia horsfallii 
##                         7                         2                        17 
##         Eulophia maculata        Eulophia micrantha             Eulophia nuda 
##                       260                         6                        17 
##           Eulophia obtusa     Eulophia odontoglossa           Eulophia ovalis 
##                         1                         2                         9 
##  Eulophia ovalis bainesii       Eulophia parviflora      Eulophia parvilabris 
##                         1                        16                         2 
##          Eulophia parvula       Eulophia pauciflora         Eulophia petersii 
##                         3                         2                        12 
##        Eulophia petiolata            Eulophia picta        Eulophia pratensis 
##                         2                       188                         1 
##          Eulophia pulchra          Eulophia recurva   Eulophia roseovariegata 
##                         1                         1                         1 
##        Eulophia siamensis         Eulophia speciosa    Eulophia streptopetala 
##                         3                        10                         6 
##      Eulophia tuberculata      Eulophia welwitschii       Eulophia zeyheriana 
##                         2                         2                         1 
##       Eulophia zollingeri 
##                        23

Ahora que hemos obtenido los datos, podemos observar su distribución en el mapa de Puerto Rico utilizando leaflet.

32.9 Utilizando Leaflet

La función base del paquete leaflet es leaflet(), con esta se activa un artilugio (widget en inglés) sobre el cuál se construye el mapa. Esta función debe estar unida a otra función como addTiles() que añade el mapa.

leaflet() %>% 
  addTiles()

Una vez tenemos el artilugio y el mapa, añadimos una capa que incluye los datos que se desean visualizar con marcadores sobre el mapa con la función addMarkers() dentro del cual se deben especificar los parámetros lng (longitud) y lat (latitud). Note que también se especifica el data.frame que contiene los datos bajo la función leaflet(). Cuando se trabaja en Leaflet, al especificar las variables a utilizar, es necesario colocar una virgulilla (~) antes de la variable. Esto le deja saber a R que lo que se especifica es una variable dentro del data.frame mencionado en la primera capa bajo la función leaflet().

names(eulophia)
##  [1] "scientific_name"                  "datetime"                        
##  [3] "description"                      "place_guess"                     
##  [5] "latitude"                         "longitude"                       
##  [7] "tag_list"                         "common_name"                     
##  [9] "url"                              "image_url"                       
## [11] "user_login"                       "id"                              
## [13] "species_guess"                    "iconic_taxon_name"               
## [15] "taxon_id"                         "num_identification_agreements"   
## [17] "num_identification_disagreements" "observed_on_string"              
## [19] "observed_on"                      "time_observed_at"                
## [21] "time_zone"                        "positional_accuracy"             
## [23] "public_positional_accuracy"       "geoprivacy"                      
## [25] "taxon_geoprivacy"                 "coordinates_obscured"            
## [27] "positioning_method"               "positioning_device"              
## [29] "user_id"                          "user_name"                       
## [31] "created_at"                       "updated_at"                      
## [33] "quality_grade"                    "license"                         
## [35] "sound_url"                        "oauth_application_id"            
## [37] "captive_cultivated"
leaflet(eulophia) %>% 
  addTiles() %>% 
  addMarkers(lng = ~longitude, 
             lat = ~latitude)

Una vez los marcadores están establecidos, es posible añadir etiquetas que contengan información acerca de las observaciones con el parámetro popup de la función addMarkers(). Por ejemplo, se pueden colocar etiquetas que contengan información del lugar de la observación especificando que la etiqueta contenga la información de la variable place_guess. Para ver la etiqueta debe hacer clic sobre el marcador de interés.

names(eulophia)
##  [1] "scientific_name"                  "datetime"                        
##  [3] "description"                      "place_guess"                     
##  [5] "latitude"                         "longitude"                       
##  [7] "tag_list"                         "common_name"                     
##  [9] "url"                              "image_url"                       
## [11] "user_login"                       "id"                              
## [13] "species_guess"                    "iconic_taxon_name"               
## [15] "taxon_id"                         "num_identification_agreements"   
## [17] "num_identification_disagreements" "observed_on_string"              
## [19] "observed_on"                      "time_observed_at"                
## [21] "time_zone"                        "positional_accuracy"             
## [23] "public_positional_accuracy"       "geoprivacy"                      
## [25] "taxon_geoprivacy"                 "coordinates_obscured"            
## [27] "positioning_method"               "positioning_device"              
## [29] "user_id"                          "user_name"                       
## [31] "created_at"                       "updated_at"                      
## [33] "quality_grade"                    "license"                         
## [35] "sound_url"                        "oauth_application_id"            
## [37] "captive_cultivated"
leaflet(eulophia) %>% 
  addTiles() %>% 
  addMarkers(lng = ~ longitude, 
             lat = ~ latitude, 
             popup = ~ place_guess) #  cambiar a la variable de interés

La función paste0 es una función base de R que concatena todos los elementos en una línea de caracteres. Los caracteres introducidos serán interpretados como UTF-8 o codificación de caracteres. Estos caracteres pueden ser mezclados con valores de una variable de caracteres en un data.frame. En el siguiente ejemplo se crea una etiqueta que contiene la ubicación y la especie observada. Se utiliza la función paste0() para combinar caracteres y las variables scientific_name y place_guess del data.frame.

leaflet(eulophia) %>% 
  addTiles() %>% 
  addMarkers(lng = ~ longitude, 
             lat = ~ latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado donde: </B>", eulophia$place_guess)
               )

32.9.1 addAwesomeMarkers: Cambiando el diseño de los marcadores

La función addAwesomeMarkers() puede ser utilizada en lugar de addMarkers() y permite utilizar marcadores con diferentes diseños que se pueden obtener de fontawesome. Es posible cambiar los colores de los marcadores utilizando la codificación de colores RGB en formato (#RRGGBB). La siguiente guía de colores en R creada por Melissa Clarkson (2010) explica como utilizar colores en R: A guide to using color in R. Adicional, esta guía creada por Derek H. Ogle (2022) es muy útil.

En schemecolor podemos encontrar las codificaciones de los colores y muchos funcionan para leaflet. Para hacer estos cambios utilizamos la función awesomeIcons() bajo el parámetro icon dentro de addAwesomeMarkers().

Dentro de la función awesomeIcons() podemos especificar varios parámetros como:

  • icon: El icono que desea utilizar para su marcador. Debe poner el nombre que aparece en la página web de iconos que esté utilizando (i.e., fontawesome).

  • library: Cuando se especifica un icono, es necesario especificar la biblioteca de donde se saca el icono. Si es de fontawesome sería 'fa'.

  • markerColor: Para cambiar el color del marcador (parte que rodea el icono), utilizando la codificación de colores de schemecolor.

  • iconColor: Para cambiar el color del icono del marcador, también con la codificación de schemecolor.

leaflet() %>% 
  addTiles() %>% 
  addAwesomeMarkers(lng = eulophia$longitude, 
                    lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = awesomeIcons(icon = "leaf", library = "fa", 
                                markerColor = "blue",
                                iconColor =  "#FFFFFF")
               )

Cuando se visualiza una gran cantidad de datos, esto puede resultar en el solapamiento de los marcadores, lo cual no es muy agradable a la vista. Es posible crear agregados que ayuden a visualizar mejor y faciliten el movimiento a través del mapa con el parámetro clusterOptions bajo la función addAwesomeMarkers(). El valor de este parámetro debe ser la función markerClusterOptions().

leaflet() %>% 
  addTiles() %>% 
  addAwesomeMarkers(lng = eulophia$longitude, lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = awesomeIcons(icon = "leaf", library = "fa", 
                                markerColor = "darkgreen",
                                iconColor =  "#FFFFFF"),
            clusterOptions = markerClusterOptions()
               )

Y para culminar, es posible cambiar el diseño del mapa utilizando la función addProviderTiles() en lugar de addTiles(). Puede echar un vistazo a los diferentes diseños disponibles para Leaflet la página de proveedores de Leaflet en GitHub. Actualmente Leaflet en R admite diseños de los siguientes proveedores: OpenStreetMap, MapQuestOpen, Stamen, Esri and OpenWeatherMap.

icon1 <- awesomeIcons(icon = "smile-o",
                      iconColor = "#FFFFFF",
                      library = "fa",
                      markerColor = "darkgreen")

leaflet() %>% 
  addProviderTiles("OpenStreetMap.Mapnik") %>% 
  addAwesomeMarkers(lng = eulophia$longitude, lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = icon1
               )

32.10 Trabajando Variables Categóricas con Leaflet:

Es posible distinguir entre especies utilizando diferentes colores, pero debe utilizar la función addCircleMarkers() en lugar de addAwesomeMarkers(). Para colorear grupos en Leaflet es necesario generar una paleta de colores para las variables de interés de acuerdo al tipo de variable (i.e., numérica, factorial). Para esto se utilizan las funciones colorFactor(), colorNumeric(), colorBin(), o colorQuantile(). colorFactor() y colorNumeric() generan paletas de colores para variables factoriales y numéricas, respectivamente; mientras que colorBin() y colorQuantile() generan paletas de colores para valores numéricos resumidos en grupos.

En este caso se está trabajando con una variable factorial que divide las observaciones entre 3 especies de orquídeas. Primero se crea una paleta de colores para una variable factorial con la función colorFactor(). Bajo esta función se especifican los parámetros palette y levels. palettees para especificar la paleta de colores a utilizar y levelsespecifica los niveles de la variable factorial. La paleta de colores que se utiliza ("Dark2") proviene del paquete RColorBrewer. Esta paleta de colores para los niveles de la variable factorial scientific_name del data.frame eulophia se guardará en un objeto llamado pal.

mypal <- colorFactor(palette = 'Set3',
            levels = levels(eulophia$scientific_name))

eulophia$scientific_name=as.factor(eulophia$scientific_name)

mypal <- colorFactor(palette = 'Set3',
            levels = levels(eulophia$scientific_name))

Ahora que se ha especificado los colores para los valores factoriales, es posible utilizar el objeto pal para colorear los marcadores circulares del mapa de Leaflet de acuerdo a la especie observada especificando el parámetro color

leaflet(eulophia) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~ longitude, lat = ~ latitude,
                   popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
                   color = ~ mypal(scientific_name))

Para ayudar con la visualización de datos pertenecientes a diferentes grupos, en ocasiones es bueno presentar una leyenda que indique los colores que representan cada grupo. Es posible añadir una leyenda al mapa de Leaflet utilizando la función addLegend() y especificando los siguientes parámetros:

  • position: Para determinar la posición de la leyenda, en este caso se colocará en la parte superior derecha, "topright", del mapa, pero podría colocarla en la parte inferior derecha ("bottomright"), la parte inferior izquierda ("bottomleft"), o la parte superior izquierda ("topleft").

  • pal: La paleta de colores a utilizar generada a través de la función colorFactor() o sus equivalentes (i.e., colorNumeric())

  • values: Los valores o la variable u objeto que contiene los valores utilizados.

  • title: El título de la leyenda especificado como una línea de caracteres.

leaflet(eulophia) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~ longitude, lat = ~ latitude,
                   popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
                   color = ~ pal(scientific_name)) %>% 
  addLegend(position = "topright", 
            pal = pal, 
            values = ~ scientific_name,
            title = "Species"
            )
iconcolor <- function(scienctific_name)

leaflet() %>% 
  addProviderTiles("Esri.WorldImagery") %>% 
  addAwesomeMarkers(lng = eulophia$longitude, lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = icon1
               )

L.circleMarker([place.lon, place.lat], { color: getColor(place.constructdate), // you can call the getColor function fillColor: getColor(place.constructdate), fillOpacity: 0.5 })

32.11 Ejercicios del capítulo

Sobre los ejercicios de este capítulo. Cada ejercicio se entrega con tres cosas: el script, el mapa (que se vea en el .html) y una explicación en palabras. Como los mapas solo salen en HTML, entrega siempre el .html, no solo el .Rmd. Los ejercicios usan Datos/crimen_pr.csv, que está en el repositorio del curso y trae coordenadas de Puerto Rico, no los terremotos del USGS ni los datos de iNaturalist del capítulo. La hoja completa para entregar está en Ejercicios/Ejercicios_Capitulo_32_leaflet.Rmd.

32.11.1 Ejercicio 1. El mapa más sencillo

Haz un mapa vacío centrado en Puerto Rico, con leaflet(), addTiles() y setView(). Añade un marcador en tu pueblo.

Verificación: al abrir el .html, la isla tiene que verse completa y el marcador tiene que caer donde debe.

En palabras: anota las coordenadas que usaste. ¿Cuál de los dos números es la latitud y cuál la longitud? ¿Cómo lo sabes sin buscarlo?

# Escribe tu código aquí

32.11.2 Ejercicio 2. Los puntos que acabaron en el océano

Lee Datos/crimen_pr.csv. Fíjate en que las columnas se llaman POINT_X y POINT_Y, y haz el mapa de la manera intuitiva: lng = ~POINT_X y lat = ~POINT_Y.

Verificación: los puntos no caen en Puerto Rico. Mira dónde caen.

Después arréglalo y vuelve a hacer el mapa.

En palabras: ¿en qué parte del mundo aparecieron los puntos? Mira el rango de las dos columnas con range(..., na.rm = TRUE) y explica cómo esos dos rangos te dicen cuál columna es cuál, sin necesidad de abrir el mapa.

# Escribe tu código aquí

32.11.3 Ejercicio 3. Los puntos que no existen

El archivo tiene coordenadas faltantes, y además unas pocas guardadas como cero. Cuenta las dos cosas y quítalas antes de mapear.

Verificación: hay 733 filas con coordenada faltante y 2 con un cero exacto. Después de quitarlas quedan 8135 filas.

En palabras: dibuja en un mapa solo las filas con coordenada cero. ¿Dónde caen? Busca en internet qué es “Null Island”. ¿Por qué un cero es más peligroso que un NA?

# Escribe tu código aquí

32.11.4 Ejercicio 4. Color por categoría

Colorea los puntos según el tipo de delito, con colorFactor(), y añade la leyenda con addLegend().

Verificación: la leyenda tiene que mostrar 9 categorías.

En palabras: con nueve colores el mapa se vuelve difícil de leer. Reduce las categorías a cinco con fct_lump_n() del capítulo de factores y compara los dos mapas. ¿Cuál usarías y qué perdiste al agrupar?

# Escribe tu código aquí

32.11.5 Ejercicio 5. Las ventanas emergentes

Añádele a cada punto un popup que diga el tipo de delito, la fecha, la hora y el área policiaca. Prueba también label en vez de popup.

Verificación: al hacer clic (o al pasar el ratón, según cuál uses) tiene que salir la información de esa observación, no la de todas.

En palabras: ¿cuál es la diferencia entre popup y label? ¿Cuál usarías para un mapa que va a mirar mucha gente sin instrucciones?

# Escribe tu código aquí

32.11.6 Ejercicio 6. Ocho mil puntos

Dibuja los 8135 puntos de golpe y mira cuánto tarda en abrirse el .html y cuánto pesa el archivo. Después repítelo con clusterOptions = markerClusterOptions().

Verificación: con agrupamiento, el mapa abre mucho más rápido y muestra círculos con números en vez de puntos sueltos.

En palabras: compara el tamaño de los dos .html con file.size(). ¿Qué pierdes al agrupar? ¿En qué nivel de acercamiento vuelven a verse los puntos individuales?

# Escribe tu código aquí

32.11.7 Ejercicio 7 (BONO). Capas que se encienden

Escoge dos tipos de delito y ponlos en dos capas distintas, con group =, y añade addLayersControl() para poder encender y apagar cada una.

Verificación: en el mapa tiene que aparecer arriba a la derecha un control con las dos capas, y al desmarcar una, sus puntos tienen que desaparecer.

En palabras: ¿qué pregunta puedes contestar con las dos capas encendidas y apagadas que no podrías contestar con un mapa fijo? Este es el argumento de fondo del capítulo: escríbelo con tus palabras.

# Escribe tu código aquí