Visualización global de concesiones mineras en México

-
(click para agrandar)

   En el post anterior hicimos un scrapping de las concesiones mineras de la página del SIAM; sin  embargo, después de revisar, el código sólo rascaba las geometrías, por lo cual tuvimos que minar en otra parte del REST query que nos daba un json por cada concesión minera de las 32,000 cambiando la URL por esta:

foreach(i=1:32000) [...]
sprintf("http://187.191.71.167/ArcGIS/rest/services/DGM/ConcesionesMineras/MapServer/0/%s?f=json&pretty=true", i)

   Esta URL no deja mandar consultas en bloques de cientos/miles y además no permite más de 1 consulta por segundo (otras dejan más de 10 consultas por segundo); así que con paciencia (relativa) en unas cuantas horas podemos obtener un bello geojson con atributos de las concesiones mineras, que trae información del nombre del titular (compañía minera), superficie y sustancias que van a extraer.

Descargar y descomprimir



    Me preguntaran: ¿Por qué geojson? Porque estamos en 2018; además, comparen para este mismo archivo distintos formatos:
geojson: 34 MB,
kml: 50 MB,
shp: 54 MB, y lo peor: no es human-readable

   Sólo buscaba los polígonos para un mapa de una publicación, pero se me antojó hacer un exploratory data analysis para ver las principales características de la actividad minera que se pueden desprender de los atributos.

   Podemos observar que los principales minerales son Plata, Oro, Cobre, Plomo y Hiero (les ahorré la revisión en la tabla periódica vdd???) Además de TSP que significa "toda sustancia posible" y POT que son "minerales polimetálicos" y "CAR" que evidentemente es Carbón, puesto que Coahuila es el primer lugar en esta sustancia. En la gráfica de producción por estado vemos que los estados norteños dominan la actividad, mientras que las mineras de carbón son las principales en área y número de concesiones.

Al final se encuentra el código

# Luego podremos hacer un scrapping a esta: http://www.siam.economia.gob.mx/es/siam/p_Titulos 

 (Click para agrandar)




library(tidyr)
library(ggplot2)
library(dplyr)
library(readr)
library(sf)

 dftotal <- read_sf("el_archivo_que_descargaste_arriba.geojson")

# --------------------------PRINCIPALES SUSTANCIAS
dftotal %>% as.data.frame %>% select(ESTAMU, SUST1:SUST4, SUPERFICIE) %>%
   gather(key="num_sust", value="sust", -ESTAMU, -SUPERFICIE) %>%
     filter(sust %in% c("TSP", "POT", "Ag", "Au","Cu", "Pb", "Fe", "CAR") &
       !ESTAMU %in% c("YUC.", "TAB.", "CAMP.", "TLAX.", "MOR.", "VER.")) %>%
           group_by(ESTAMU, sust) %>% summarise(superficie=sum(SUPERFICIE))  %>%
  ggplot(aes(reorder(ESTAMU, superficie), superficie)) +
    geom_bar(stat = "identity", fill="coral3") +
     coord_flip() + facet_wrap(~fct_infreq(sust), nrow = 2, ncol = 4) +
      labs(title="Principales sustancias por superficie",
         caption="primeras 4 sustancias declaradas (de máximo 7)\n datamarindo.blogspot.mx") +
          xlab("") + theme(axis.text.x = element_text(size=8, angle = 90)) +
            ylab("superficie, ha")

# --------------------superficie por estado ES TARDADO
dftotal %>% group_by(ESTAMU) %>% filter(!is.na(SUPERFICIE)) %>%
  summarise("superficie" = sum(SUPERFICIE, na.rm = T),
     "cuenta" = n()) %>%
  ggplot(aes(reorder(ESTAMU, superficie), superficie, label=cuenta)) +
     geom_bar(stat="identity", fill="coral3") +
       coord_flip() + geom_text(hjust=1) +
         labs(title="Superficie concesionada por estado",
          caption="Número en la barra: número de concesiones \ndatamarindo.blogspot.mx CC-by-SA") + xlab("") + ylab("superficie, ha")

# -------- compañías por concesiones  
dftotal %>% as.data.frame %>% filter(!is.na(TITULAR)) %>%
  group_by(TITULAR) %>% count() %>% arrange(desc(n)) %>% head(15) %>%
     ggplot(aes(reorder(TITULAR,n), n)) + geom_bar(fill="coral3", stat="identity") +
        coord_flip() + labs(title="Compañías con mayor número de concesiones",
                            caption="datamarindo.blogspot.mx, CC-by-SA") +
           xlab("") + ylab("Núm. de concesiones")

# ---------- compañías por superficie
dftotal %>% as.data.frame %>% filter(!is.na(TITULAR)) %>%
  group_by(TITULAR) %>% summarise(superficie=sum(SUPERFICIE)) %>%
     arrange(desc(superficie)) %>% head(15) %>%
 ggplot(aes(reorder(TITULAR,superficie), superficie)) + geom_bar(fill="coral3", stat="identity") +
  coord_flip() + labs(title="Compañías con mayor\nsuperficie concesionada",
                      caption="datamarindo.blogspot.mx, CC-by-SA") +
  xlab("") + ylab("Superficie concesionada, ha")






Comentarios

Publicar un comentario

Entradas más populares de este blog

Construyendo sobre otro post y la conjetura de Collatz y Escher, Gödel, Bach...

-
Imagen
Patrones que emergen de la conjetura de Collatz En menos de un mes ha habido dos posts sobre matemáticas recreativas, el primero sobre la constante de Kaprekar , y el más reciente sobre la  Conjetura de Collatz , la cual sin saberlo fue uno de mis primeros ejercicios de programación (en matlab), aunque presentada como Wondrous numbers en Gödel, Escher, Bach: Tortoise : That's too complicated for me in my sleepy state. Let me instead show you a property which is very easy to define, and yet for which no terminating test is known. I'm not saying there won't ever be one discovered, mind you - just that none is known. You begin with a number - would you care to pick up one? Achilles: How about 15? Tortoise: An excellent choice. We begin with you number, and if it is ODD, we tripple it, and add 1. If it is EVEN, we take half of it. Then we repeat the process. Call a number which eventually reaches 1 this way a WONDROUS number, and a number which doesn't, an U...
Leer más

El estado de las cosas: QGIS vs ArcGIS

-
Imagen
Desde la óptica de un blog como este, dedicado al open-source y al data-science, no hay modo en que ArcGIS, un programa de 32 bits ( eso significa, amable lector, que corre igual de lento en una computadora de cibercafé y en un Ryzen o un Xeon ), no human-readable , m-o-n-o-p-l-a-t-a-f-o-r-m-a, con un scripting sin resaltado de sintaxis de python, etc. pueda compertir con QGIS, un multiplataforma (android incluido) , con sus 64 bits, su scripting, su docilidad para programar y su integración con herramientas como GRASS, R, Orpheo y SAGA. Pero una cosa es lo lógico y demostrable y otra cosa es esa dura amalgama de moda con inercia y con publicidad. Sin embargo, hoy día se puede ver como el software open-source geoespacial ha desbancado, en lo que pareciera ser para siempre, al software privativo En gis.stackexchange, el principal foro para preguntar y convertirse en expertos, y por tanto el mejor termómetro de la popularidad de herramientas informáticas, QGIS rebas...
Leer más

datos socioeconómicos y resultados electorales.

-
Imagen
     En las siguientes, breves líneas de código de R que recrean las gráficas de junto, revisaremos la relación del perfil educativo y laboral de una sección electoral con la votación registrada por los partidos principales; la seción electoral es la unidad espacial de operaciones electorales, que incluye entre 200 y 1500 electores y que puede tener una o más casillas.      Los datos son obtenidos del Organismo Público Local de Veracruz y del INEGI, abajo están las ligas para descargar los archivos. El data frame final consta de 4808 registros por partido, lo cual son muchos datos puntuales, por lo cual se complementa la visualización con líneas de tendencia.   library(magrittr) library(dplyr) library(janitor) library(foreign) library(tibble) library(ggplot2) library(tidyr) library(readr) library(editheme) set_base_sty("Tomorrow Night 80s") #  links para descargar: # resultados electorales Veracruz 2017 "http://prep2017-ver....
Leer más