3.1_quick_approach.qmd

---
from: markdown+emoji
code-annotations: hover
---


# Aborgadem rápida

<img align="right" src="/images/r5r_logo.png?raw=true" alt="logo" width="140"> 
**Nesta primeira seção prática da oficina, aprenderemos uma maneira rápida e simples de calcular a acessibilidade espacial usando o pacote `{r5r}`**. Na próxima seção, veremos uma maneira mais flexível e robusta de fazer a mesma coisa.

Aqui, nós vamos calcular o número de escolas acessíveis por transporte público em um tempo de viagem de até 20 minutos.

- **Alocando memória para o Java e carregando pacotes**

Primeiro, vamos aumentar a memória disponível para executar o Java, que é usado pelo programa roteamento R5. Para aumentar a memória disponível para 4 GB, por exemplo, usamos o seguinte comando. Observe que isso precisa ser executado ***antes*** de carregar os pacotes que serão usados em nossa análise.

```{r}
options(java.parameters = "-Xmx4G")
```

Agora podemos carregar os pacotes que usaremos nesta seção:

```{r, message=FALSE}
library(r5r)
library(h3jsr)
library(dplyr)
library(mapview)
library(ggplot2)
```


## Uma visão rápida dos nossos dados de exemplo

Nosso estudo de caso é a cidade de Porto Alegre, Brasil. O pacote `{r5r}` traz uma pequena amostra de dados para esta cidade, incluindo os seguintes arquivos:

- Uma rede OpenStreetMap: `poa_osm.pbf`
- Dois feeds GTFS de transporte público: `poa_eptc.zip` (ônibus) e `poa_trensurb.zip` (trens)
- Um dado de elevação em formato raster: `poa_elevation.tif`
- Um `data.frame` com dados de uso do solo: o arquivo `poa_hexgrid.csv`, com os centróides de uma grade hexagonal regular cobrindo a área da amostra. O data frame também indica o número de residentes e escolas em cada célula. Usaremos esses pontos como origens e destinos em nossa análise.

Esses conjuntos de dados devem ser salvos em um único diretório (nosso `data_path`). Aqui está um exemplo de como os dados de uso do solo se parecem:

```{r}
# path to data directory
data_path <- system.file("extdata/poa", package = "r5r")

# read points data
points <- read.csv(file.path(data_path, "poa_hexgrid.csv"))
head(points)
```

:mag_right: Para visualizar a distribuição espacial desses dados, podemos recuperar a geometria da grade hexagonal H3 e explorá-la usando um mapa interativo:

```{r}
# retrieve polygons of H3 spatial grid
grid <- h3jsr::cell_to_polygon(
  points$id,
  simple = FALSE
  )

# merge spatial grid with land use data
grid_poa <- left_join(
  grid,
  points,
  by = c('h3_address'='id')
  )

# interactive map
mapview(grid_poa, zcol = 'population')

```


## Construindo uma rede de transporte roteável

Essa abordagem rápida para calcular a acessibilidade envolve apenas 2 etapas. A primeira etapa é construir a rede de transporte multimodal usando a função `r5r::setup_r5()`.


```{r, message=FALSE}
r5r_core <- r5r::setup_r5(data_path, 
                          verbose = FALSE)
```

Como você pode ver, só precisamos passar o caminho da nossa pasta de dados para a função `r5r::setup_r5()`. A função então combina os dados OSM, GTFS e de elevação nesse diretório para criar um grafo que é usado para roteamento de viagens entre pares de origem e destino e, consequentemente, para calcular matrizes de tempo de viagem e acessibilidade.


## Calculando acessibilidade: abordagem rápida

Na segunda etapa, você pode calcular estimativas de acessibilidade em uma única chamada usando a função `r5r::accessibility()`. Ela inclui diferentes opções de funções de decaimento para calcular medidas cumulativas de acessibilidade e diferentes medidas gravitacionais.

Neste exemplo, nós vamos calculamos a acessibilidade cumulativa do número de escolas e hospitais acessíveis em menos de 20 minutos por transporte público. Assim, usaremos `decay_function = "step"`.

Observe que, para usar `r5r::accessibility()`, o parâmetro `points` deve ser um `data.frame` com colunas que indiquem:

- o `id` de cada local
- coordenadas espaciais `lat` e `lon`
- o número de atividades em cada local. O nome desta coluna deve ser passado para o parâmetro `opportunities_colnames`.


```{r}
# routing inputs
mode <- c("walk", "transit")
max_walk_time <- 30                                  # <1>
travel_time_cutoff <- 20                             # <1>
departure_datetime <- as.POSIXct("13-05-2019 14:00:00",
                                 format = "%d-%m-%Y %H:%M:%S")

# calculate accessibility
access1 <- r5r::accessibility(
  r5r_core = r5r_core,
  origins = points,
  destinations = points,
  mode = mode,
  opportunities_colnames = c("schools", "healthcare"), # <2>
  decay_function = "step",
  cutoffs = travel_time_cutoff,                        # <3>
  departure_datetime = departure_datetime,
  max_walk_time = max_walk_time,
  progress = TRUE
  )

```
1. Em minutos  
2. Observe que você pode passar as colunas de mais de um tipo de oportunidade.  
3. Da mesma forma, você poderia passar mais de um limite de tempo.

::: {.callout-tip}
## Dica
Observe que a função `r5r::accessibility()` possui vários parâmetros adicionais que permitem especificar diferentes características das viagens, incluindo uma duração máxima, velocidade de caminhada e sw bicicleta, nível tolerância ao estresse do tráfego (LTS), etc. Para mais informações, consulte a documentação da função chamando `?r5r::accessibility` no seu console R ou acesse a documentação no [site do {r5r}](https://ipeagit.github.io/r5r/reference/accessibility.html).
:::

O output da função `r5r::accessibility()` é um `data.frame` que mostra, para cada origem `id`, o número de oportunidades que podem ser alcançadas:

```{r}
head(access1)

```

## Mapa de acessibilidade

Agora é muito simples unir essas estimativas de acessibilidade à nossa grade espacial para visualizar esses resultados em um mapa.

```{r}
# merge spatial grid with accessibility estimates
access_sf <- left_join(
  grid, 
  access1, 
  by = c('h3_address'='id')
  )

# plot
ggplot() +
  geom_sf(data = access_sf, aes(fill = accessibility), color= NA) +
  scale_fill_viridis_c(direction = -1, option = 'B') +
  labs(title = 'Número de escolas e hospitais acessíveis por transporte público em 20 minutos',
       fill = 'Número de\nestabelecimentos') +
  theme_minimal() +
  theme(axis.title = element_blank()) +
  facet_wrap(~opportunity) +
  theme_void()

```