Introducción

El análisis espacial con R se ha consolidado en los últimos años como una alternativa robusta y reproducible para el procesamiento geoespacial, debido a su capacidad para integrar en un solo entorno la gestión de datos, el modelamiento, la visualización avanzada y la automatización de flujos de trabajo. A diferencia de enfoques basados exclusivamente en SIG de escritorio, el trabajo con R permite documentar cada etapa del análisis mediante scripts, garantizando transparencia metodológica, replicabilidad y trazabilidad de los resultados; aspectos especialmente relevantes en proyectos académicos y técnicos donde se requiere justificar cada geoproceso aplicado.

En estudios geomorfológicos e hidrológicos, una fuente de información esencial es el Modelo Digital de Elevación (DEM), el cual representa el relieve en formato raster, asignando a cada celda una altitud. Este tipo de dato es fundamental porque el relieve condiciona procesos físicos del territorio: controla la dirección del flujo superficial, la concentración de escorrentía, la generación de erosión hídrica y la estabilidad de laderas. Por ello, el DEM no solo se interpreta como una “superficie de elevación”, sino como un insumo base desde el cual se derivan variables topográficas de alto valor analítico, tales como pendiente, orientación, curvatura y otras métricas geomorfométricas.

Dentro de estos derivados, la pendiente constituye uno de los indicadores más utilizados en análisis espacial aplicado. La pendiente expresa el grado de inclinación del terreno y se relaciona directamente con la energía del relieve y con la dinámica de los procesos de superficie. En contextos montañosos, pendientes elevadas suelen asociarse con mayor velocidad de escorrentía y mayor potencial de erosión; además, incrementan la susceptibilidad a remoción en masa cuando coexisten con factores como saturación de suelos, litología débil o coberturas vegetales reducidas. En consecuencia, la elaboración de un mapa de pendientes representa un paso clave para comprender patrones espaciales del relieve y orientar interpretaciones territoriales vinculadas a gestión de cuencas, riesgo y planificación.

Adicionalmente, el análisis espacial con R no se limita a la producción cartográfica, sino que permite complementar la interpretación mediante herramientas estadísticas y gráficas. En este sentido, el histograma de valores de celda del DEM constituye un recurso esencial para caracterizar cuantitativamente el relieve: permite observar la distribución altitudinal dentro del área de estudio, identificar rangos dominantes, evaluar dispersión y detectar posibles valores atípicos o inconsistencias del dato. La combinación de productos cartográficos (mapas) con análisis estadístico (histograma y estadísticos descriptivos) fortalece la lectura del territorio, ya que integra la dimensión espacial con la dimensión numérica de la información.

El presente proyecto se desarrolla en la cuenca del río Takesi, ubicada en el municipio de Yanacachi (provincia Sud Yungas, departamento de La Paz, Bolivia), una zona andina caracterizada por relieve accidentado y marcada variación altitudinal. Dada la complejidad topográfica de la cuenca, se emplea un DEM ALOS PALSAR de 12.5 m como insumo principal. A partir de este modelo, se implementa un flujo de análisis espacial completamente reproducible en R, utilizando el paquete terra para el procesamiento de raster y vector (recorte, máscara, reproyección y derivación de pendientes), y ggplot2 junto con tidyterra para la elaboración de mapas temáticos y gráficos estadísticos mejorados (control de paletas de color, leyendas, etiquetas y exportación en alta resolución).

En síntesis, este proyecto demuestra cómo R puede funcionar como un entorno integral de análisis espacial, permitiendo: (1) preparar y validar insumos geoespaciales, (2) derivar variables topográficas desde DEM, (3) visualizar resultados con estándares de calidad cartográfica, y (4) caracterizar físicamente el relieve mediante estadística descriptiva aplicada a valores raster. Este enfoque contribuye no solo a la obtención del mapa de pendientes, sino también a la comprensión del comportamiento del terreno dentro de la cuenca del río Takesi, aportando una base técnica para análisis posteriores relacionados con hidrología, geomorfología y gestión territorial.

Antecedentes

El análisis del relieve y la derivación de variables geomorfológicas a partir de Modelos Digitales de Elevación (DEM) se sustentan en el desarrollo de la geomorfometría y la hidrología cuantitativa, disciplinas que han buscado describir y medir de manera objetiva la forma del terreno y su influencia en los procesos superficiales. Los estudios clásicos sobre organización del drenaje y comportamiento de cuencas sentaron bases conceptuales para comprender cómo la topografía controla la respuesta hidrológica, especialmente en ambientes montañosos donde pequeñas variaciones del terreno pueden generar cambios importantes en la escorrentía, la erosión y la estabilidad de laderas. Con el tiempo, estas aproximaciones evolucionaron desde mediciones manuales hacia metodologías automatizadas apoyadas en SIG y, más recientemente, en lenguajes de programación y herramientas reproducibles.

En las últimas décadas, la disponibilidad de DEM globales y regionales, junto con el avance de los SIG, permitió automatizar cálculos de pendiente, dirección de flujo y otros derivados topográficos. Sin embargo, en el contexto académico y profesional actual, existe una tendencia creciente hacia flujos de trabajo reproducibles que no dependan únicamente de interfaces gráficas. En este sentido, R se ha convertido en una plataforma ampliamente utilizada para el análisis espacial por su capacidad de integrar en un mismo entorno: (i) procesamiento de datos raster y vector, (ii) análisis estadístico, (iii) visualización avanzada, y (iv) automatización de procedimientos mediante scripts. Esta integración es especialmente valiosa cuando se requiere documentar el procedimiento paso a paso, facilitar la replicación del análisis en otras áreas o escenarios, y garantizar la consistencia metodológica ante revisiones o auditorías académicas.

Dentro del ecosistema de R, el paquete terra se ha posicionado como una de las herramientas más eficientes para el análisis espacial, particularmente en el manejo de datos raster de gran tamaño. Sus funciones permiten ejecutar operaciones esenciales en flujos geomorfométricos, tales como importación de DEM, recorte y enmascaramiento por polígonos, reproyección y cálculo de derivados del terreno (pendiente, orientación, curvaturas). A su vez, la combinación de terra con ggplot2 y extensiones como tidyterra habilita una etapa clave en la comunicación científica: la elaboración de mapas temáticos y gráficos con control estético de alta calidad, incluyendo escalas de color, leyendas, anotaciones y exportación en alta resolución. De esta forma, R no solo funciona como herramienta de cálculo, sino también como plataforma para construir productos finales listos para informes, artículos o entregas académicas.

En el ámbito específico del análisis de pendientes, la literatura y la práctica SIG coinciden en que la pendiente es una variable de alto poder explicativo debido a su relación directa con procesos hidrogeomorfológicos. En cuencas montañosas, las pendientes elevadas suelen asociarse con mayor energía del relieve, con escorrentía más rápida y con incremento del potencial erosivo. Asimismo, la pendiente es un insumo relevante para evaluaciones de riesgo, ya que la inestabilidad de laderas suele aumentar en sectores con inclinación pronunciada, especialmente cuando se combina con condiciones de saturación, litologías frágiles o cambios en cobertura vegetal. Por tanto, mapear la pendiente no solo representa un ejercicio cartográfico, sino un paso metodológico que contribuye a interpretar la dinámica física del territorio.

Por otro lado, la caracterización del DEM mediante análisis estadístico —en particular mediante el histograma de valores de celda— constituye un antecedente metodológico importante porque permite evaluar la distribución altitudinal del área de estudio y verificar la coherencia del insumo. En proyectos de análisis espacial, el histograma ofrece una primera aproximación cuantitativa al relieve: permite identificar rangos predominantes de elevación, niveles de variabilidad y posibles valores extremos, además de apoyar la interpretación del comportamiento topográfico al complementarse con medidas como media, mediana y desviación estándar. En conjunto, la elaboración del mapa de pendientes y el análisis del histograma conforman una estrategia integral que combina representación espacial y descripción estadística del terreno.

Finalmente, en continuidad con el trabajo previo desarrollado en la cuenca del río Takesi —donde se aplicaron técnicas SIG y un DEM ALOS PALSAR de 12.5 m para caracterizar parámetros morfométricos—, el presente proyecto se enfoca en profundizar el análisis del relieve desde la perspectiva del análisis espacial con R. Esto incluye no solo la obtención de la pendiente como derivado topográfico, sino también la optimización del flujo reproducible y la mejora de la visualización cartográfica y estadística.

Descripción del área de estudio

La zona de estudio corresponde a la cuenca del río Takesi, localizada en el municipio de Yanacachi, provincia Sud Yungas, en el departamento de La Paz (Bolivia). Esta cuenca se emplaza en un contexto andino, caracterizado por una topografía compleja y contrastada, donde la interacción entre relieve, clima y dinámica hidrológica genera un territorio altamente heterogéneo. Desde una perspectiva de análisis espacial, esta complejidad convierte al Takesi en un caso adecuado para evaluar derivados topográficos, particularmente la pendiente, debido a que su distribución espacial condiciona procesos físicos claves como la escorrentía superficial, la erosión y la estabilidad de laderas.

Uno de los rasgos más relevantes de la cuenca es su marcada variación altitudinal, con cotas que alcanzan valores muy elevados en sectores de cabecera y disminuyen progresivamente hacia áreas más bajas, configurando fuertes gradientes topográficos. Esta variabilidad se traduce en cambios abruptos del relieve, con presencia de laderas escarpadas, valles encajonados y zonas de transición topográfica. En términos geomorfológicos, estas características suelen asociarse con una alta energía del relieve, lo cual puede favorecer la activación de procesos erosivos y, en determinados escenarios, incrementar la susceptibilidad a movimientos en masa.

Desde el punto de vista hidrológico, el relieve accidentado de la cuenca influye en la respuesta ante eventos de precipitación, ya que pendientes elevadas tienden a acelerar el flujo superficial y reducir el tiempo de concentración, generando respuestas más rápidas del sistema fluvial. Esto se vuelve especialmente importante en regiones de montaña donde los eventos intensos pueden producir crecidas repentinas y aumentar el transporte de sedimentos. Asimismo, la topografía condiciona la conectividad del drenaje y el encauzamiento del flujo, lo que incide en la distribución espacial de la erosión, la sedimentación y la dinámica del cauce principal.

En cuanto a su importancia territorial, el río Takesi representa un recurso hídrico relevante para comunidades locales, tanto por su contribución al abastecimiento como por su potencial de aprovechamiento en actividades productivas y/o energéticas. Sin embargo, la misma configuración física de la cuenca —relieve pronunciado, laderas escarpadas y condiciones ambientales variables— puede implicar escenarios de vulnerabilidad asociada a erosión y deslizamientos, principalmente en sectores donde convergen alta pendiente, suelos susceptibles o modificaciones antrópicas de la cobertura del suelo.

Para este proyecto, la delimitación espacial del área de estudio se representa mediante un AOI (polígono de cuenca) y la caracterización del relieve se realiza empleando un DEM ALOS PALSAR de 12.5 m, cuya resolución permite captar con mayor detalle las variaciones topográficas a escala de cuenca. En consecuencia, el mapa de pendientes derivado del DEM, junto con el histograma de elevaciones, constituyen herramientas complementarias para describir la estructura física del territorio y sustentar la interpretación espacial del relieve en la cuenca del río Takesi.

Figura N°1. Ubicación y delimitación de la cuenca del río Takesi (AOI) en el departamento de La Paz, Bolivia.

Objetivos del proyecto

Objetivo general

Generar un mapa de pendientes (en grados y porcentaje) y caracterizar el relieve mediante el histograma de valores de celda del DEM ALOS PALSAR (12.5 m) en la cuenca del río Takesi, aplicando un flujo de análisis espacial reproducible en R con los paquetes terra y ggplot2.

Objetivos específicos

• Descargar el DEM ALOS PALSAR (12.5 m) desde la plataforma ASF Data Search para la cuenca del río Takesi y organizar los insumos en un directorio de trabajo estructurado.
• Importar el DEM (raster) y el AOI (vector) en R y verificar la coherencia espacial mediante la revisión del sistema de referencia de coordenadas (CRS).
• Reproyectar el AOI al CRS del DEM en caso de discrepancia, asegurando la correcta superposición espacial para los geoprocesos posteriores.
• Recortar y enmascarar el DEM con el AOI para limitar el análisis exclusivamente al área de estudio y optimizar el procesamiento.
• Calcular la pendiente del terreno en grados a partir del DEM recortado y convertir la pendiente a porcentaje para facilitar su interpretación en criterios técnicos.
• Elaborar mapas temáticos del DEM y de pendientes ajustando paletas de color, leyendas y etiquetas mediante ggplot2 y tidyterra, generando productos cartográficos de calidad.
• Extraer los valores de elevación del DEM delimitado y analizar su distribución mediante un histograma, incorporando estadísticos descriptivos (media, mediana y desviación estándar).
• Exportar los mapas y el histograma en formato PNG y alta resolución (300 dpi) para su presentación en la plataforma MasterGIS.

Procedimiento

El procedimiento metodológico se desarrolló íntegramente en RStudio, utilizando un flujo reproducible basado en el paquete terra para procesamiento espacial y ggplot2 + tidyterra para visualización cartográfica y estadística.

El proceso se estructuró en ocho etapas secuenciales, alineadas con los objetivos planteados.

Insumos:

Modelo Digital de Elevación (DEM): ALOS PALSAR con resolución espacial de 12.5 metros, descargado desde la plataforma https://search.asf.alaska.edu de la NASA, ver el siguiente gráfico:

Figura N°2. Descarga del DEM de ALOS PALSAR

1. Preparación del entorno de trabajo

1.1 Carga de librerías

Se cargaron las siguientes librerías:

• terra: manejo de datos raster y vectoriales.
• ggplot2: visualización avanzada.
• tidyterra: integración de objetos espaciales con ggplot.
• dplyr: manipulación de datos tabulares.

Importancia metodológica:

En análisis espacial con R, el entorno de trabajo es el equivalente a un SIG de escritorio, pero con la ventaja de que cada proceso queda documentado en un script, permitiendo replicabilidad

2. Organización y definición de rutas

Se definieron las rutas del DEM y del AOI:

dem_path <- "ruta_dem.tif"

aoi_path <- "ruta_AOI.shp"

Importancia:
Definir rutas explícitas permite mantener un flujo ordenado y facilita que otro usuario replique el análisis simplemente cambiando las rutas.

3. Importación de datos espaciales

El DEM fue importado como objeto SpatRaster y el AOI como SpatVector.

dem <- rast(dem_path)

aoi <- vect(aoi_path)

Resultado intermedio:

• dem: raster de elevación original.
• aoi: polígono delimitador de la cuenca.

Importancia espacial:
Diferenciar ráster y vector es fundamental en análisis espacial, ya que cada tipo de dato requiere operaciones distintas.

4. Verificación y corrección del CRS

Antes de cualquier operación espacial, se verificó que ambas capas compartan el mismo sistema de referencia:

if (!same.crs(dem, aoi)) {

  aoi <- project(aoi, crs(dem))

}

¿Por qué es crucial?

Si los CRS no coinciden:

• El AOI no se superpone correctamente al DEM.
• El recorte puede generar resultados erróneos.
• El cálculo de pendiente puede estar mal georreferenciado.

En análisis espacial, este paso es una validación obligatoria de coherencia geométrica.

5. Recorte y máscara del DEM

5.1 Recorte por extensión

dem_aoi <- crop(dem, aoi)

Reduce el raster a la extensión mínima del AOI.

5.2 Aplicación de máscara

dem_aoi <- mask(dem_aoi, aoi)

Elimina las celdas fuera del polígono de la cuenca.

Resultado intermedio:

• dem_aoi: DEM exclusivamente dentro de la cuenca.

Importancia en análisis espacial:

• Optimiza procesamiento.
• Asegura que todos los cálculos posteriores correspondan únicamente al área de estudio.
• Reduce sesgo estadístico al eliminar valores externos.

Figura N°3. Modelo Digital de Elevación (DEM) del AOI

6. Cálculo de la pendiente

6.1 Pendiente en grados

slope_deg <- terrain(dem_aoi, v = "slope", unit = "degrees")

La función terrain() calcula la pendiente evaluando la variación de elevación entre celdas vecinas.

6.2 Conversión a porcentaje

slope_pct <- tan(slope_deg * pi / 180) * 100

Se aplica la relación trigonométrica para expresar la pendiente en porcentaje.

Resultado intermedio:

• slope_deg: raster de pendiente angular.
• slope_pct: raster de pendiente porcentual.

Interpretación espacial:

• Pendiente en grados → útil para análisis geomorfológico.
• Pendiente en % → útil para criterios técnicos (ingeniería, planificación territorial).

Figura N°4. Mapa de pendiente en grados.

Figura N°5. Mapa de pendiente en porcentaje.

7. Elaboración de mapas temáticos con ggplot2

Se utilizó geom_spatraster() para representar los raster y scale_fill_viridis_c() para aplicar paletas perceptualmente uniformes.

Mejoras aplicadas:

• Leyendas con unidades claras.
• Títulos descriptivos.
• Subtítulos contextualizados.
• Paletas con contraste adecuado.
• Exportación en 300 dpi.

Importancia metodológica:

La visualización no es un paso estético únicamente, sino parte esencial del análisis espacial, ya que facilita la interpretación de patrones territoriales.

8. Análisis estadístico del DEM: Histograma

8.1 Extracción de valores raster

vals <- values(dem_aoi, na.rm = TRUE)

Se obtienen los valores de elevación de cada celda.

8.2 Limpieza de datos

Se eliminan valores NA e infinitos.

8.3 Cálculo de estadísticos

media <- mean(vals)

mediana <- median(vals)

desv <- sd(vals)

8.4 Construcción del histograma

Se generó un histograma mejorado con:

• 50–55 bins
• líneas verticales para media y mediana
• curva de densidad
• etiquetas explicativas

Resultado final:

Figura N°6. Histograma del DEM – Distribución altitudinal de la cuenca del río Takesi.

Interpretación metodológica del histograma

El histograma permite:

• Identificar el rango altitudinal dominante.
• Evaluar la dispersión del relieve.
• Comparar media y mediana para detectar asimetría.
• Complementar la interpretación cartográfica con análisis cuantitativo.

En análisis espacial con R, esta integración entre mapa y estadística fortalece la interpretación territorial.

9. Exportación de productos finales

Se creó la carpeta de salida y se exportaron los gráficos en formato PNG a 300 dpi.

ggsave("Pendiente_Takesi.png", dpi = 300)

Productos exportados:

• DEM recortado
• Pendiente en grados
• Pendiente en porcentaje
• Histograma del DEM

10. Diagrama de Flujo del Procedimiento Metodológico

El diagrama de flujo resume el procedimiento aplicado en el análisis espacial con R para la cuenca del río Takesi. El proceso inicia con la descarga del DEM ALOS PALSAR y su organización en el entorno de trabajo. Posteriormente, el DEM y el AOI son importados en R, verificando la coherencia del sistema de referencia (CRS).

Luego se realiza el recorte y enmascaramiento del DEM para limitar el análisis a la cuenca. A partir del raster delimitado se calcula la pendiente en grados y su conversión a porcentaje, generando los mapas temáticos correspondientes. Finalmente, se extraen los valores de elevación para construir el histograma y se exportan los productos cartográficos y gráficos en alta resolución.

Figura N°7. Procedimiento Metodológico

Resultados

1. Modelo Digital de Elevación (DEM) delimitado

El DEM recortado a la cuenca del río Takesi evidencia una marcada variabilidad altitudinal dentro del área de estudio. Los valores de elevación oscilan aproximadamente entre 1,800 m y más de 5,800 m s.n.m., reflejando la naturaleza montañosa y el fuerte gradiente altitudinal característico de la región andina.

Espacialmente, se observa un contraste claro entre:

• Zonas de menor elevación, concentradas principalmente en sectores de valle y drenajes principales.
• Zonas de mayor elevación, ubicadas en áreas de cabecera y crestas montañosas.

La representación mediante una paleta de colores tipo viridis permite diferenciar claramente estos rangos, favoreciendo la interpretación visual del relieve.

Figura N°8. DEM recortado por AOI – Cuenca del río Takesi.

2. Análisis estadístico del relieve: Histograma del DEM

El histograma de valores de elevación permitió caracterizar cuantitativamente la estructura topográfica de la cuenca.

Se obtuvieron los siguientes estadísticos:

• Media: 3984.53 m
• Mediana: 4156 m

La diferencia entre media y mediana indica una ligera asimetría negativa en la distribución, lo que sugiere que existen valores de elevación relativamente bajos que influyen en el promedio general. Sin embargo, la mayor concentración de frecuencias se encuentra entre los 3,800 y 4,800 m, indicando que gran parte de la superficie de la cuenca se sitúa en altitudes medias-altas.

Este resultado confirma que la cuenca presenta un relieve predominantemente alto, con menor proporción de áreas en cotas bajas.

El histograma complementa el análisis cartográfico al permitir:

• Identificar el rango altitudinal dominante.
• Evaluar la heterogeneidad del relieve.
• Analizar la distribución espacial desde un enfoque estadístico.

Figura N°9. Histograma de elevación del DEM – Cuenca del río Takesi.

3. Mapa de pendientes en grados

El mapa de pendiente en grados muestra una alta variabilidad espacial. Se identifican:

• Sectores con pendientes suaves (colores claros), asociados principalmente a fondos de valle y zonas de transición.
• Sectores con pendientes pronunciadas (tonos intensos), localizados en laderas escarpadas y áreas de cabecera.

La presencia de pendientes elevadas en amplias zonas de la cuenca confirma la fuerte energía del relieve, característica de cuencas andinas de montaña. Esto implica:

• Mayor potencial de escorrentía superficial.
• Incremento en la susceptibilidad a procesos erosivos.
• Posible vulnerabilidad a movimientos en masa.

Figura N°10. Mapa de pendientes en grados – Cuenca del río Takesi.

4. Mapa de pendientes en porcentaje

La conversión de pendiente a porcentaje facilita su interpretación en aplicaciones técnicas y territoriales. En el mapa generado se observan:

• Valores bajos en áreas relativamente planas.
• Valores altos concentrados en laderas abruptas y drenajes encajonados.

Los valores máximos registrados superan ampliamente el 100%, lo cual es coherente en terrenos montañosos donde la pendiente angular es elevada. Esto evidencia que gran parte de la cuenca presenta inclinaciones significativas, lo que condiciona:

• El uso del suelo.
• La planificación territorial.
• La estabilidad geomorfológica.
• La dinámica hidrológica.

Figura N°11. Mapa de pendientes en porcentaje – Cuenca del río Takesi.

5. Integración e interpretación espacial

La integración entre el mapa de elevación, los mapas de pendiente y el histograma permite concluir que:

• La cuenca del río Takesi presenta un relieve altamente heterogéneo.
• Predominan altitudes superiores a 4,000 m.
• Las pendientes son mayormente moderadas a fuertes, especialmente en laderas y zonas de drenaje.
• Existe una fuerte relación entre gradiente altitudinal y variabilidad topográfica.

Desde el enfoque de análisis espacial con R, los resultados demuestran que el uso del paquete terra permite generar derivados topográficos precisos, mientras que ggplot2 facilita una representación cartográfica profesional, integrando análisis estadístico y visualización en un mismo entorno reproducible.

Conclusiones

1. Se desarrolló un flujo de análisis espacial reproducible en R para la cuenca del río Takesi, integrando el procesamiento de datos raster y vector mediante terra y la visualización cartográfica/estadística con ggplot2 y tidyterra, lo cual permitió documentar y replicar el procedimiento de forma transparente.
2. El DEM ALOS PALSAR (12.5 m) recortado al AOI evidenció una alta variabilidad altitudinal en la cuenca, con un rango aproximado entre ~1,800 m y >5,800 m s.n.m., confirmando la complejidad topográfica propia de un ambiente andino montañoso.
3. El análisis estadístico del DEM mediante histograma mostró que la distribución altitudinal presenta valores centrales elevados, con una media de 3984.53 m y mediana de 4156 m, lo que indica que gran parte de la superficie se concentra en cotas medias-altas. La diferencia entre media y mediana sugiere una ligera influencia de elevaciones más bajas sobre el promedio general.
4. Los mapas de pendiente en grados y porcentaje permitieron identificar espacialmente sectores de mayor inclinación asociados a laderas escarpadas y zonas de drenaje encajonado. Estas pendientes elevadas implican una mayor energía del relieve y son coherentes con una cuenca donde pueden presentarse procesos intensos de escorrentía, erosión y susceptibilidad a inestabilidad de laderas.
5. La calidad de los productos finales (mapas y gráfico) se fortaleció mediante ajustes de paletas de color, leyendas, títulos y exportación en alta resolución, demostrando que R puede funcionar como un entorno integral para el análisis espacial: desde el preprocesamiento del DEM hasta la obtención de productos cartográficos.

Recomendaciones

1. Verificar el CRS antes de derivar pendientes.
   Para evitar errores de superposición y cálculos inconsistentes, se recomienda revisar siempre el sistema de referencia de coordenadas (CRS) del DEM y del AOI antes de ejecutar crop(), mask() y terrain(). Si no coinciden, reproyectar el AOI al CRS del DEM (tal como se aplicó en este proyecto).
2. Preferir CRS proyectado (metros) para el cálculo de pendientes.
   El cálculo de pendiente depende de distancias horizontales (tamaño de celda). Por ello, es recomendable trabajar en un CRS proyectado (por ejemplo UTM) donde las unidades estén en metros, especialmente si el DEM estuviera originalmente en coordenadas geográficas (grados).
3. Clasificar la pendiente por rangos para interpretación territorial.
   Además del mapa continuo, se sugiere generar un mapa por clases (ej.: 0–5%, 5–15%, 15–30%, >30%) para facilitar la lectura y vincular el resultado con criterios de aptitud del suelo, riesgo o planificación. Esto suele mejorar mucho la calidad interpretativa del producto final.
4. Complementar el histograma con estadísticas adicionales.
   Para fortalecer la caracterización del relieve, se recomienda incluir también: mínimo, máximo, percentiles (p10, p90) y/o un boxplot. Esto ayuda a describir mejor la variabilidad altitudinal y detectar valores extremos.
5. Guardar también los resultados raster (GeoTIFF) además de las imágenes.
   Para facilitar la reutilización en otros SIG (QGIS/ArcGIS) y la replicabilidad del proyecto, se recomienda exportar dem_aoi, slope_deg y slope_pct con writeRaster() además de los PNG generados con ggsave().
6. Optimizar visualización cartográfica con elementos de mapa.
   Para una entrega más completa, se sugiere incorporar elementos cartográficos como escala gráfica, flecha norte, fuentes de datos y sistema de coordenadas. En R esto puede integrarse con paquetes adicionales (si el curso lo permite) o complementarse en QGIS con las capas exportadas.

Referencias bibliográficas

• Alaska Satellite Facility (ASF). (s.f.). ASF Data Search. National Aeronautics and Space Administration (NASA). Recuperado de https://search.asf.alaska.edu
• Farr, T. G., Rosen, P. A., Caro, E., Crippen, R., Duren, R., Hensley, S., … Alsdorf, D. (2007). The Shuttle Radar Topography Mission. Reviews of Geophysics, 45(2), RG2004. https://doi.org/10.1029/2005RG000183
• Horton, R. E. (1945). Erosional development of streams and their drainage basins: Hydrophysical approach to quantitative morphology. Geological Society of America Bulletin, 56(3), 275–370.
• Pebesma, E., & Bivand, R. (2023). Spatial data science with R. Chapman & Hall/CRC.
• R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.r-project.org/
• Hijmans, R. J. (2024). terra: Spatial data analysis (R package version). https://cran.r-project.org/package=terra
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag New York.
• Wickham, H., François, R., Henry, L., & Müller, K. (2023). dplyr: A grammar of data manipulation (R package version). https://cran.r-project.org/package=dplyr