creacion_mapa_bsas.qmd

---
title: "Creación Mapas Buenos Aires"
lang: es
---

---

**Input inicial**
- Mapas vectoriales de provincia de Buenos Aires y AMBA

**Objetivo**
- Generar mapas de menor tamaño para que la aplicacion no tenga problemas de eficiencia.
- Producir un mapa de Buenos Aires dónde no se diferencien las comunas de CABA.
- Obtener los centroides de los departamentos de provincia de Buenos Aires

---


```{r setup}
library(tidyverse)
library(stringr)
library(sf)

# El amba consta de 40 municipios mas ciudad de buenos aires
# fuente: https://www.argentina.gob.ar/dami/centro/amba
# Vamos a hacer una seleccion de amba con menos partidos

# Lista de los partidos que vamos a considerar AMBA incluyendo comunas CABA
amba_reducido_names <- c('Almirante Brown',
                         'Avellaneda',
                         'Berazategui',
                         paste('Comuna', 1:15), # CABA
                         'Esteban Echeverría', 'Escobar', 'Ezeiza',
                         'Florencio Varela',
                         'General San Martín',
                         'Hurlingham',
                         'Ituzaingó',
                         'José C. Paz',
                         'La Matanza',  'Lanús', 'Lomas de Zamora',
                         'Malvinas Argentinas', 'Merlo', 'Moreno', 'Morón',
                         'Quilmes', 'Pilar', 'Presidente Perón',
                         'San Fernando', 'San Isidro', 'San Miguel',
                         'Tigre', 'Tres de Febrero',
                         'Vicente López')
```

# Area Metropolitana de Buenos Aires (AMBA) y Ciudad Autonoma de Buenos Aires (CABA)

```{r}

# Estos shapefiles fueron extraidos del Instituto Geografico Nacional (IGN)

amba <- st_read("data/inicial/departamentos.shp") |>
  st_zm() |>
  filter(str_detect(NAM, paste(amba_reducido_names, collapse = "|")),
         SAG %in% c('ARBA - Gerencia de Servicios Catastrales',
                    'Direc. de Catastro'))


# Chequeo el resultado visualmente
amba_reducido <- amba |>
  dplyr::select('partido' = NAM , geometry) |>
  dplyr::filter(partido %in% amba_reducido_names)

ggplot() +
  geom_sf(data = amba_reducido)+
  theme_minimal()



```


### Remuevo poligonos duplicados

```{r}
# Vemos que San Fernando esta compuesto por dos poligonos,
# Uno es el delta, y deberiamos eliminarlo

ggplot() +
  geom_sf(data = subset(amba_reducido,
                        partido == 'San Fernando'))+
  theme_minimal()

# Lo paso a poligono para eliminar el extra
amba_reducido = st_cast(amba_reducido,"POLYGON")

# Chequeo que se cual quiero eliminar
ggplot() +
  geom_sf(data = amba_reducido$geom[30])+
  theme_minimal()

# Elimino el poligono extra
amba_reducido <- amba_reducido[-30,]

# Archivo vectorial final de AMBA
ggplot() +
  geom_sf(data = amba_reducido)+
  theme_minimal()
```


Este es el archivo con los poligonos finales seleccionados para AMBA

```{r}

## guardo el archivo

st_write(amba, "data/procesada/amba_ampliado.gpkg", append = FALSE)

```



# Provincia de Buenos Aires

```{r}
# Obtengo los poligonos desde el IGN
bsas <- sf::st_read('data/inicial/departamentos.shp') |>
  dplyr::filter(SAG %in% c('Direc. de Catastro', # comunas
                           'ARBA - Gerencia de Servicios Catastrales'), # partidos de baires
                GNA %in% c('Partido', 'Comuna')) |> # elimino prov de san juan
  dplyr::select('partido' = NAM, geometry) |>
  sf::st_zm()

# Lo paso a poligono para eliminar el extra en San Fernando
bsas = st_cast(bsas,"POLYGON")

# Chequeo el numero de poligono que quiero eliminar
ggplot() +
  geom_sf(data = bsas$geometry[126])+
  theme_minimal()

# Elimino el poligono extra
bsas <- bsas[-126,]

# Mapa final
ggplot() +
  geom_sf(data = bsas)+
  theme_minimal()

# Llamo al archivo bsas_comunas ya que presenta las comunas de CABA
write_sf(bsas, 'data/procesada/bsas_comunas.gpkg')
```

### Unifico las comunas

```{r}

  # uno las comunas
  caba <-  bsas[grep("Comuna", bsas$partido), ] |>
           st_union()

  # aca podria agregar algun tipo de control de calidad para asegurarme que
  # tengo la cantidad de comunas que son
  # chequear que tenga proyeccion


  # las reemplazo en el dataset por caba
 bsas_caba <-  bsas |>
    slice(-grep("Comuna", bsas$partido)) |>
    rbind(st_sf(
                geometry = caba,
                partido = 'Capital Federal'
    ))



 ggplot() +
        geom_sf(data = subset(bsas_caba,
                              partido == 'Capital Federal')) + 
        theme_minimal()

# Llamo a este archivo bsas ya que no presenta la division interna de CABA
# en comunas
 
write_sf(bsas_caba, 'data/procesada/bsas.gpkg')
```

### Simplifico los poligonos para agilizar la app

```{r}
bsas_caba <- st_read('data/procesada/bsas_caba.gpkg')

# Es posible emplear la funcion st_simplify para esto mismo, pero no conserva
# tan bien la topografia entre los poligonos, es por ello que uso este paquete
# donde se aplica el algoritmo de Visvalingam

library(rmapshaper)
bsas_caba_simple <- rmapshaper::ms_simplify(bsas_caba)



```

### Incluyo coordenadas de la bounding box 

Realizo este paso para que sea más sencillo hacer el zoom en el mapa.

```{r}
# Agrego coordenadas al mapa de BsAs que voy a necesitar
# para hacer zoom en la app


for(i in seq_along(1:nrow(bsas_caba_simple))){
  
  bsas_caba_simple[i, "lat1"] <- sf::st_bbox(bsas_caba_simple[i,])$ymin
  bsas_caba_simple[i,"lat2"] <- sf::st_bbox(bsas_caba_simple[i,])$ymax
  bsas_caba_simple[i, "lng1"] <- sf::st_bbox(bsas_caba_simple[i,])$xmin
  bsas_caba_simple[i, "lng2"] <- sf::st_bbox(bsas_caba_simple[i,])$xmax
  
}

st_write(bsas_caba_simple, "data/procesada/bsas_final.gpkg", append=FALSE)

```


### Calculo de centroides

```{r}

cent <- bsas_caba_simple |> 
  st_point_on_surface()

# guardo el archivo con los vectores de partidos de provincia de Buenos Aires

ggplot() +
  geom_sf(data = bsas_caba)+
  geom_sf(data = cent) +
  theme_minimal()

```


```{r}
# Cambio nombres de partidos para evitar problemas al momento de hacer joins
cent[78,'partido'] <- 'Lomas De Zamora'
cent[132,'partido'] <- 'Tres De Febrero'


cent <- cent |>
         # salgo del formato sf: calculo lat y long como variables separadas
          cbind(sf::st_coordinates(cent)) |>
          dplyr::arrange(partido) |> 
          select(-lat1, -lat2, -lng1, -lng2)

# elimino el formato sf
sf::st_geometry(cent) <-  NULL

cent
```


```{r}
# guardo los centroides
write.csv(cent, "data/procesada/centroides_mapa.csv")
```