3.3 Instalación de rgee

Descargar e instalar anaconda o conda. (https://www.anaconda.com/products/individual)
Abrir Anaconda prompt y configurar ambiente de trabajo (ambiente python rgee_py) con las siguientes sentencias:

conda create -n rgee_py python=3.9
activate rgee_py
pip install google-api-python-client
pip install earthengine-api
pip install numpy

Listar los ambientes de Python disponibles en anaconda prompt

conda env list

Una vez identificado la ruta del ambiente ambiente rgee_py definirla en R (no se debe olvidar cambiar \ por /).
Instalar reticulate y rgee, cargar paquetes para procesamiento espacial y configurar el ambiente de trabajo como sigue:

library(reticulate) # Conexión con Python
library(rgee) # Conexión con Google Earth Engine
library(sf) # Paquete para manejar datos geográficos
library(dplyr) # Paquete para procesamiento de datos
library(magrittr)

rgee_environment_dir = "C://Users//sguerrero//Anaconda3//envs//rgee_py//python.exe"

# Configurar python (Algunas veces no es detectado y se debe reiniciar R)
reticulate::use_python(rgee_environment_dir, required=T)

rgee::ee_install_set_pyenv(py_path = rgee_environment_dir, py_env = "rgee_py")

Sys.setenv(RETICULATE_PYTHON = rgee_environment_dir)
Sys.setenv(EARTHENGINE_PYTHON = rgee_environment_dir)

Una vez configurado el ambiente puede iniciarlizarse una sesión de Google Earth Engine como sigue:

rgee::ee_Initialize(drive = T)

Notas:

Se debe inicializar cada sesión con el comando rgee::ee_Initialize(drive = T).
Los comandos de javascript que invoquen métodos con “.” se sustituyen por signo peso ($), por ejemplo:

ee.ImageCollection().filterDate()  # Javascript
ee$ImageCollection()$filterDate()  # R

3.3.1 Descargar información satelital

Paso 1: disponer de los shapefile

shape <- read_sf("Recursos/Día1/Sesion2/Shape/DOM.shp")
plot(shape["geometry"])

Paso 2: Seleccionar el archivo de imágenes que desea procesar, para nuestro ejemplo luces nocturnas.

luces <- ee$ImageCollection("NOAA/DMSP-OLS/NIGHTTIME_LIGHTS") %>%
  ee$ImageCollection$filterDate("2013-01-01", "2014-01-01") %>%
  ee$ImageCollection$map(function(x) x$select("stable_lights")) %>%
  ee$ImageCollection$toBands()

Paso 3: Descargar la información

shape_luces <- map(unique(shape$dam),
                 ~tryCatch(ee_extract(
                   x = luces,
                   y = shape["dam"] %>% filter(dam == .x),
                   ee$Reducer$mean(),
                   sf = FALSE
                 ) %>% mutate(dam = .x),
                 error = function(e)data.frame(dam = .x)))

shape_luces %<>% bind_rows()

tba(shape_luces, cap = "Promedio de luces nocturnasa")

Repetir la rutina para:

Tipo de suelo: crops-coverfraction (Porcentaje de cubrimiento cultivos) y urban-coverfraction (Porcentaje de cobertura urbana) disponibles en https://developers.google.com/earth-engine/datasets/catalog/COGTMNICUS_Landcover_100m_Proba-V-C3_Global#description
Tiempo de viaje al hospital o clínica más cercana (accessibility) y tiempo de viaje al hospital o clínica más cercana utilizando transporte no motorizado (accessibility_walking_only) información disponible en https://develoGTMs.google.com/earth-engine/datasets/catalog/Oxford_MAP_accessibility_to_healthcare_2019
Modificación humana, donde se consideran los asentamiento humano, la agricultura, el transporte, la minería y producción de energía e infraestructura eléctrica. En el siguiente link encuentra la información satelital https://develoGTMs.google.com/earth-engine/datasets/catalog/CSP_HM_GlobalHumanModification#description
Paso 4 consolidar la información.

dam	luces_nocturnas	cubrimiento_cultivo	cubrimiento_urbano	modificacion_humana	accesibilidad_hospitales	accesibilidad_hosp_caminado
02	97.27735	107.10243	100.28394	111.01645	112.25437	109.66652
03	94.36142	97.71126	96.32667	96.29454	100.55525	105.35470
04	96.53042	95.73335	96.55354	98.67362	102.77860	103.78255
05	91.61138	98.91270	93.17994	95.16236	97.72809	95.59357
01	97.65958	86.79795	106.90397	82.34083	89.53466	87.11064
06	100.52567	107.21708	99.96448	104.95498	94.75524	95.69942
08	94.54495	103.38473	93.84241	102.73169	98.74441	101.96155
09	96.82438	91.41961	97.18788	92.96846	91.28395	90.46557
30	95.68487	91.78986	93.93370	96.83847	98.54392	98.93543
10	92.18900	98.33939	94.53840	97.45111	108.54346	107.34596