index.qmd

---
title: "Load Full Contry Data"
subtitle: "WCS camera trap dataset"
date: "`r Sys.Date()`"
author: 
  - name: Diego Lizcano
    orcid: https://orcid.org/0000-0002-9648-0576
license: CC BY-SA
toc: true
format: 
  html:
    code-fold: true
    code-block-bg: true
    code-block-border-left: "#31BAE9"
citation: true
google-scholar: true
---


```{r setup, include=FALSE}
knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>",
  dev = "png",
  dev.args = list(type = "cairo-png"),
  fig.width = 7,
  fig.height = 5,
  fig.align = "center",
  eval = TRUE,
  echo = TRUE,
  warning = FALSE,
  error = FALSE,
  message = FALSE,
  cache=TRUE)
```

## Carguemos algunos paquetes y funciones de ayuda

```{r}
#| warning: false
#| message: false
library(readxl)
library(grateful)

library(sf)
library(mapview)
library(maps)

library(ggTimeSeries)

library(tidyverse)

source("C:/CodigoR/WCS-CameraTrap/R/organiza_datos.R")

```




```{r}
#| warning: false
#| message: false
#| eval: false
#| echo: false
#| 
world <- sf::st_as_sf(maps::map(database = "world", plot=FALSE, fill=TRUE))
# filter paises

paises <- world[c(9, 32,33,48,63,92,165,189,179,243),]

ggplot() +
  geom_sf(data=world, fill="white") +
  geom_sf(data= paises, fill="gray75") +
  coord_sf(xlim=c(-95.8566, -35.9310), ylim= c(-57.39878, 17.67390))

```



## Carguemos los datos de un pais

En este caso vamos a usar Ecuador como ejemplo.

```{r}
#| warning: false
#| message: false
#| eval: false
#| echo: true
########################
### Paises
########################
carpeta <- "C:/CodigoR/WCS-CameraTrap/data/"
paises <- list.files(carpeta,  recursive = FALSE)



Argentina <- data_by_country(country = "Argentina")
Bolivia <- data_by_country(country = "Bolivia")
Brazil <- data_by_country(country = "Brazil")
Colombia <- data_by_country(country = "Colombia")
Ecuador <- data_by_country(country = "Ecuador")
Guatemala <- data_by_country(country = "Guatemala")
Ecuador <- data_by_country(country = "Ecuador")
Paraguay <- data_by_country(country = "Paraguay")
Peru <- data_by_country(country = "Peru")
Venezuela <- data_by_country(country = "Venezuela")




```

### Use la funcion `data_by_country`  para cargar todos los datos de un pais y ver un mapa sencillo e interactivo. Note que podemos usar los datos de cualquier otro pais.

```{r}

Ecuador <- data_by_country(country = "Ecuador")

Country_to_map <- Ecuador |>  distinct(ExcelFile, year, `Deployment ID`, `Longitude Resolution`, `Latitude Resolution`)

projlatlon <- "+proj=longlat +datum=WGS84 +no_defs +ellps=WGS84 +towgs84=0,0,0"

Country_map <- st_as_sf(x = Country_to_map,                         
                         coords = c("Longitude Resolution", 
                                    "Latitude Resolution"),
                         crs = projlatlon)


mapview(Country_map, zcol = c("year"),  burst = TRUE) # burst = TRUE prouce uniques


```


## Fotos por tipo de camara

Ahora queremos ver las fotos que se han tomado con los diferentes modelos de camaras.


```{r}
# Creating ggplot graphs 
Ecuador |> mutate(CameraType=`Camera Type`)  |> 
  dplyr::count(CameraType,
               sort = TRUE,
               name = "n_cameraBrand") |> 
  ggplot2::ggplot() + #plotting the camera models most used
  ggplot2::geom_col(ggplot2::aes(x = CameraType,
                                 y = n_cameraBrand)) 
  
```

## Veamos todas las fotos en un calendario

```{r}

dtData <- Ecuador  |> as.data.frame() |> 
  mutate(Date_Time=as_date(`Date_Time Captured`)) |> 
    count(Date_Time) |> na.omit()

# base plot
p1 = ggplot_calendar_heatmap(
   dtData,
   'Date_Time',
   'n',
   dayBorderSize = 0.1,
   monthBorderSize = 0.7
)

# adding some formatting
p1 +
   xlab(NULL) +
   ylab(NULL) +
   scale_fill_continuous(low = 'cyan', high = 'red') +
   facet_wrap(~Year, ncol = 2) # number of columns



```


## Fotos con mas de 100 registros por sitios

Seleccionaremos las especies que tienen mas de 100 registros por cada sitio  (Deployment ID).


```{r}
Ecuador |>
  dplyr::distinct(`Deployment ID`, `Genus Species`) |>
  dplyr::count(`Genus Species`, sort = TRUE) |>
  dplyr::filter(n >= 100) |> #change threshold 
  ggplot2::ggplot() +
  ggplot2::geom_col(ggplot2::aes(x = `Genus Species`, y = n)) +
  ggplot2::scale_y_continuous(
    expand = ggplot2::expansion(mult = 0),
    limits = c(0, 1100),
    breaks = seq(0, 1100, by = 100)
  ) +
  ggplot2::labs(x = NULL,
                y = "Locations") +
  ggplot2::coord_flip() 

  ggplot2::theme(
    plot.margin = ggplot2::margin(t = 5,
                                  r = 10,
                                  b = 5,
                                  l = 5,
                                  unit = "pt"),
    axis.text.y = ggtext::element_markdown()
  )
```


# Y donde estan los Jaguares?

Aca los podemos ver en un mapa, con el tamaño del circulo representando el numero de fotos que se han tomado. Note que podemos cambiar la especie a cualquier otra.

```{r}
Ecuador_cameras <- st_as_sf(x = Ecuador,                         
                         coords = c("Longitude Resolution", 
                                    "Latitude Resolution"),
                         crs = projlatlon)

jaguars <- Ecuador_cameras |> filter (Ecuador_cameras$`Genus Species`== "Panthera onca") 

jaguars <- jaguars |> mutate(Date_Time=as_date(`Date_Time Captured`)) |> group_by("Deployment ID") |>  count(Date_Time) #|> ungroup() 

mapview(jaguars, cex = "n")

```

> Se ve facil verdad?. Pero en realidad no lo es tanto. Esto ha sido posible gracias a un duro trabajo de varios años de los equipos de WCS de cada pais.


## Session info in R.

```{r sesion, results='markup'}
sessionInfo()
```