Valuate
Este paquete provee una serie de funciones orientadas a facilitar el
proceso de valuación de inmuebles, siguiendo el desarrollo de Eguino & Carranza (2025). Sin embargo, puede ser también de utilidad para
la predicción de la distribución espacial de cualquier tipo de fenómeno
geográfico.
El flujo de trabajo propuesto apunta a la generación de herramientas
para facilitar las siguientes acciones:
- Creación de variables territoriales que informan sobre la distancia a
diferentes hitos o las características de determinados entornos.
- Homogeneización de valores para descontar los efectos de
características intrínsecas de las observaciones. muestrales. Por
ejemplo, en el caso de la valuación de la tierra, se descuentan los
efectos sobre el precio por metro cuadrado de la forma de las
parcelas, su ubicación en la cuadra o el tamaño del lote.
- Diferentes alternativas para la identificación de observaciones
muestrales espacialmente atípicas.
- Entrenamiento de diferentes modelos de aprendizaje computacional y
estimación del nivel de error esperado fuera de la muestra.
- Simulación de escenarios que permiten conocer la magnitud y extensión
geográfica de diferentes externalidades generadas por modificaciones
en las variables independientes sobre el precio de los inmuebles.
Instalación
La forma recomendada de instalar el paquete es desde R-universe, que
ofrece versiones precompiladas para Windows, macOS y Linux:
install.packages("valuate", repos = c("https://r-valuate.r-universe.dev",
"https://cloud.r-project.org"))
También es posible instalar la versión de desarrollo directamente desde
GitHub:
remotes::install_github("r-valuate/valuate")
Los rásters de ejemplo de la ciudad de Medellín (Colombia) que se
utilizan más abajo no se incluyen en el paquete por su tamaño. La
función descargar_datos() los descarga la primera vez que se utilizan y
los guarda en una carpeta local, por lo que las siguientes veces no es
necesario volver a descargarlos.
Contenidos
La función calcular_dist() permite generar un ráster que informa la
distancia de cada píxel hacia el hito más cercano.
Por ejemplo, si se desea conocer la distancia a la vía primaria más
cercana en la ciudad de La Plata (Argentina):
# Definimos el área de estudio
area_de_estudio <- nominatimlite::geo_lite_sf(address = "La Plata, Argentina", points_only = F)
bbox = sf::st_transform(area_de_estudio, 4326) |> sf::st_bbox(bbox)
# Descargamos las vias principales
vias_prim <- osmdata::opq(bbox) |>
osmdata::add_osm_feature(key = "highway", value = "secondary") |>
osmdata::osmdata_sf()
vias_prim <- vias_prim$osm_lines
# Calculamos un ráster con las distancias a la vía principal más cercana
vias <- calcular_dist(area = area_de_estudio,
objeto = vias_prim,
dim = 50,
nombre = "vias")
#> El proceso de calculo ha finalizado. El raster resultante tambien fue guardado en el directorio de trabajo con el nombre vias.tif.
La función calcular_entorno() resume las características de un entorno
definido por el usuario, a partir de capas geográficas vectoriales de
polígonos o de puntos. Cuando se le provee un objeto espacial “sf” con
geometría “POLYGON” o “MULTIPOLYGON” la función permite calcular
variables independientes que resumen las características del vecindario,
indicando la proporción del espacio que se encuentra cubierto por los
polígonos de interés. Por ejemplo, permite calcular el porcentaje del
vecindario que se encuentra cubierto por plazas o parques. Cuando se le
provee un objeto espacial “sf” con geometría “POINT” la función permite
calcular variables independientes que resumen las características del
vecindario, indicando la cantidad de puntos de interés que se encuentran
dentro del entorno definido por el usuario. Por ejemplo, permite
calcular la cantidad de negocios u oficinas que se encuentran dentro de
un radio de “x” metros de cada píxel.
Por ejemplo, si se desea conocer información sobre los espacios verdes
en el vecindario en la ciudad de La Plata (Argentina):
以上為 README 的開頭部分。其餘內容請閱讀原文。 檢視完整 README ↗
