Infraestructura de Transporte en el Perú

Introducción

El paquete rsdot proporciona acceso a datos de infraestructura de transporte del Perú a través del Visor SDOT. Esta viñeta muestra cómo acceder y analizar información sobre:

Red Vial Nacional: Carreteras principales que conectan el país
Red Vial Departamental: Vías que conectan provincias dentro de cada departamento
Red Vial Vecinal: Carreteras rurales que conectan centros poblados menores
Aeródromos: Aeropuertos, aeródromos y helipuertos

Todos los datos provienen de PROVÍAS NACIONAL y PROVÍAS DESCENTRALIZADO, actualizados a julio 2022 según el Clasificador de Rutas (DS 011-2016-MTC).

library(rsdot)
library(sf)
library(dplyr)
library(ggplot2)

Red Vial Nacional

La Red Vial Nacional comprende las principales carreteras que conectan el territorio peruano, incluyendo las longitudinales de la costa, sierra y selva, así como las carreteras transversales.

Carga de datos

# Cargar red vial nacional de Cusco
vias_nac_cusco <- get_red_vial_nacional(departamento = "CUSCO")

# Ver estructura de los datos
head(vias_nac_cusco)
#> Simple feature collection with 6 features and 17 fields
#> Geometry type: MULTILINESTRING
#> Dimension:     XY
#> Bounding box:  xmin: -73.38161 ymin: -13.53206 xmax: -71.96576 ymax: -11.30783
#> Geodetic CRS:  WGS 84
#> # A tibble: 6 × 18
#>   inicio   fin trayectori        nrocarril ejeclas iddpto nombdep codruta jerarq
#>    <dbl> <dbl> <chr>                 <int> <chr>   <chr>  <chr>   <chr>   <chr> 
#> 1  317.  340.  Pte. Reither (PE…         0 Longit… 08     CUSCO   PE-5S   RN    
#> 2  340.  455.  Pte. Reither (PE…         0 Longit… 08     CUSCO   PE-5S   RN    
#> 3  974.  974.  Repartición La O…         4 Longit… 08     CUSCO   PE-3S   RN    
#> 4   19.8  19.8 Emp. PE-3S (Poro…         2 Ramal   08     CUSCO   PE-28F  RN    
#> 5  269.  305.  Emp.PE-3S (Pacay…         1 Varian… 08     CUSCO   PE-28B  RN    
#> 6  321.  331.  Emp.PE-3S (Pacay…         1 Varian… 08     CUSCO   PE-28B  RN    
#> # ℹ 9 more variables: superfic <int>, longitud <dbl>, codconces <chr>,
#> #   codclog <chr>, superfic_l <chr>, codclog_l <chr>, estado <int>,
#> #   estado_l <chr>, geom <MULTILINESTRING [°]>

Análisis básico

# Estadísticas generales
vias_nac_cusco |>
  st_drop_geometry() |>
  summarise(
    longitud_total_km = sum(longitud, na.rm = TRUE),
    n_rutas = n_distinct(codruta),
    n_tramos = n(),
    km_pavimentado = sum(longitud[superfic_l == "Pavimentado"], na.rm = TRUE),
    pct_pavimentado = (km_pavimentado / longitud_total_km) * 100
  )
#> # A tibble: 1 × 5
#>   longitud_total_km n_rutas n_tramos km_pavimentado pct_pavimentado
#>               <dbl>   <int>    <int>          <dbl>           <dbl>
#> 1             2425.      17      432          1080.            44.5

# Análisis por eje de clasificación
vias_nac_cusco |>
  st_drop_geometry() |>
  group_by(ejeclas) |>
  summarise(
    longitud_km = sum(longitud, na.rm = TRUE),
    .groups = "drop"
  ) |>
  arrange(desc(longitud_km))
#> # A tibble: 5 × 2
#>   ejeclas                   longitud_km
#>   <chr>                           <dbl>
#> 1 Ramal                            779.
#> 2 Variante                         724.
#> 3 Longitudinal de la Selva         399.
#> 4 Longitudinal de la Sierra        280.
#> 5 Transversal                      243.

Visualización

# Mapa de red vial nacional por código de ruta
ggplot(vias_nac_cusco) +
  geom_sf(aes(color = codruta), linewidth = 1.2) +
  labs(
    title = "Red Vial Nacional - Departamento de Cusco",
    subtitle = "Códigos de Ruta",
    color = "Código",
    caption = "Fuente: PROVÍAS NACIONAL - MTC 2022"
  ) +
  theme_minimal() +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold", size = 14),
    plot.subtitle = element_text(size = 11)
  )


# Mapa por estado de conservación
ggplot(vias_nac_cusco) +
  geom_sf(aes(color = estado_l, linewidth = estado_l)) +
  scale_color_manual(
    values = c(
      "Bueno" = "#2ecc71",
      "Regular" = "#f39c12",
      "Malo" = "#e74c3c"
    ),
    name = "Estado"
  ) +
  scale_linewidth_manual(
    values = c("Bueno" = 1.2, "Regular" = 0.9, "Malo" = 0.6),
    guide = "none"
  ) +
  labs(
    title = "Estado de Conservación - Red Vial Nacional",
    subtitle = "Cusco",
    caption = "Fuente: PROVÍAS NACIONAL - MTC 2022"
  ) +
  theme_minimal()

Red Vial Departamental

Las carreteras departamentales conectan las capitales provinciales y centros poblados importantes dentro de cada departamento.

Carga y análisis

# Cargar red vial departamental
vias_dep_cusco <- get_red_vial_departamental(departamento = "CUSCO")

# Análisis por provincia
analisis_prov <- vias_dep_cusco |>
  st_drop_geometry() |>
  group_by(nombprov) |>
  summarise(
    longitud_total = sum(longitud, na.rm = TRUE),
    n_rutas = n_distinct(codruta),
    km_pavimentado = sum(longitud[superfic_l == "PAVIMENTADO"], na.rm = TRUE),
    pct_pavimentado = (km_pavimentado / longitud_total) * 100,
    .groups = "drop"
  ) |>
  arrange(desc(longitud_total))

print(analisis_prov)
#> # A tibble: 13 × 5
#>    nombprov      longitud_total n_rutas km_pavimentado pct_pavimentado
#>    <chr>                  <dbl>   <int>          <dbl>           <dbl>
#>  1 LA CONVENCION          808.       10           9.53            1.18
#>  2 PARURO                 436.        7         105.             24.0 
#>  3 PAUCARTAMBO            379.        5          25.7             6.77
#>  4 CALCA                  312.        3           0               0   
#>  5 QUISPICANCHI           210.        5           9.94            4.72
#>  6 CHUMBIVILCAS           208.        4          83.9            40.4 
#>  7 CANCHIS                169.        2           8.59            5.09
#>  8 ESPINAR                143.        5          25.8            18.0 
#>  9 ACOMAYO                139.        3          85.1            61.1 
#> 10 CANAS                  101.        2          90.8            90.1 
#> 11 ANTA                    68.0       3          12.6            18.5 
#> 12 URUBAMBA                48.2       4           2.15            4.47
#> 13 CUSCO                   37.5       2          17.9            47.8

Visualización por tipo de superficie

# Mapa por tipo de superficie
ggplot(vias_dep_cusco) +
  geom_sf(aes(color = superfic_l), linewidth = 0.8) +
  scale_color_manual(
    values = c(
      "PAVIMENTADO" = "#3498db",
      "AFIRMADO" = "#27ae60",
      "SIN AFIRMAR" = "#e67e22",
      "TROCHA" = "#95a5a6"
    ),
    name = "Superficie"
  ) +
  labs(
    title = "Red Vial Departamental por Tipo de Superficie",
    subtitle = "Departamento de Cusco",
    caption = "Fuente: PROVÍAS NACIONAL - MTC 2022"
  ) +
  theme_minimal()

Filtrado por provincia

# Cargar solo una provincia específica
vias_prov_cusco <- get_red_vial_departamental(
  departamento = "CUSCO",
  provincia = "CUSCO"
)

# Visualizar
ggplot(vias_prov_cusco) +
  geom_sf(aes(color = estado_l), linewidth = 1) +
  scale_color_manual(
    values = c("BUENO" = "darkgreen", "REGULAR" = "orange", "MALO" = "red")
  ) +
  labs(
    title = "Red Vial Departamental - Provincia de Cusco",
    color = "Estado"
  ) +
  theme_minimal()

Red Vial Vecinal

La Red Vial Vecinal o Rural conecta centros poblados menores, caseríos y zonas de producción. Es administrada por los gobiernos locales.

Características de la red vecinal

# Cargar red vial vecinal
vias_vec_cusco <- get_red_vial_vecinal(departamento = "CUSCO")

# Análisis de superficie
vias_vec_cusco |>
  st_drop_geometry() |>
  group_by(superfic_l) |>
  summarise(
    longitud_km = sum(longitud, na.rm = TRUE),
    n_tramos = n(),
    porcentaje = (longitud_km / sum(vias_vec_cusco$longitud, na.rm = TRUE)) * 100,
    .groups = "drop"
  ) |>
  arrange(desc(longitud_km))
#> # A tibble: 6 × 4
#>   superfic_l          longitud_km n_tramos porcentaje
#>   <chr>                     <dbl>    <int>      <dbl>
#> 1 Trocha                   6631.      1216    52.3   
#> 2 Afirmado                 3589.       513    28.3   
#> 3 Sin afirmar              2111.       383    16.7   
#> 4 Pavimentado               304.       198     2.40  
#> 5 Asfaltado económico        24.1        3     0.191 
#> 6 Proyectado                 12.4        2     0.0979

# Análisis de estado
vias_vec_cusco |>
  st_drop_geometry() |>
  group_by(estado_l) |>
  summarise(
    longitud_km = sum(longitud, na.rm = TRUE),
    porcentaje = (longitud_km / sum(vias_vec_cusco$longitud, na.rm = TRUE)) * 100,
    .groups = "drop"
  )
#> # A tibble: 4 × 3
#>   estado_l                  longitud_km porcentaje
#>   <chr>                           <dbl>      <dbl>
#> 1 Bueno                           2369.      18.7 
#> 2 Información no disponible        582.       4.59
#> 3 Malo                            3645.      28.8 
#> 4 Regular                         6077.      48.0

Identificación de prioridades

# Identificar vías en mal estado por provincia
vias_mal_estado <- vias_vec_cusco |>
  filter(estado_l == "Malo") |>
  st_drop_geometry() |>
  group_by(nombprov) |>
  summarise(
    km_mal_estado = sum(longitud, na.rm = TRUE),
    n_vias = n(),
    .groups = "drop"
  ) |>
  arrange(desc(km_mal_estado))

print(vias_mal_estado)
#> # A tibble: 13 × 3
#>    nombprov      km_mal_estado n_vias
#>    <chr>                 <dbl>  <int>
#>  1 LA CONVENCION         994.     160
#>  2 QUISPICANCHI          397.      76
#>  3 ESPINAR               390.      62
#>  4 PAUCARTAMBO           358.      50
#>  5 CALCA                 304.      71
#>  6 CHUMBIVILCAS          253.      44
#>  7 CANAS                 187.      44
#>  8 PARURO                178.      34
#>  9 CUSCO                 164.      52
#> 10 ANTA                  136.      38
#> 11 ACOMAYO               132.      32
#> 12 CANCHIS                88.9     27
#> 13 URUBAMBA               62.7     20

Visualización

# Mapa de red vecinal por estado
ggplot(vias_vec_cusco) +
  geom_sf(aes(color = estado_l), linewidth = 0.6, alpha = 0.7) +
  scale_color_manual(
    values = c(
      "Bueno" = "#27ae60",
      "Regular" = "#f39c12",
      "Malo" = "#c0392b"
    ),
    name = "Estado"
  ) +
  labs(
    title = "Red Vial Vecinal - Departamento de Cusco",
    subtitle = "Estado de Conservación",
    caption = "Fuente: PROVÍAS DESCENTRALIZADO - MTC 2022"
  ) +
  theme_minimal()

Aeródromos

Los datos de aeródromos incluyen aeropuertos, aeródromos y helipuertos en todo el Perú.

Carga y exploración

# Cargar aeródromos de Cusco
aero_cusco <- get_aerodromos(departamento = "CUSCO")

# Ver tipos de instalaciones
table(aero_cusco$tipo)
#> 
#>                AERODROMO AEROPUERTO INTERNACIONAL               HELIPUERTO 
#>                        5                        1                       20

# Análisis por tipo y titularidad
aero_cusco |>
  st_drop_geometry() |>
  group_by(tipo, titular) |>
  summarise(n = n(), .groups = "drop") |>
  arrange(tipo, desc(n))
#> # A tibble: 4 × 3
#>   tipo                     titular     n
#>   <chr>                    <chr>   <int>
#> 1 AERODROMO                PRIVADA     3
#> 2 AERODROMO                PUBLICA     2
#> 3 AEROPUERTO INTERNACIONAL PUBLICA     1
#> 4 HELIPUERTO               PRIVADA    20

Visualización

# Mapa de aeródromos
ggplot(aero_cusco) +
  geom_sf(aes(color = tipo, shape = tipo), size = 4) +
  scale_color_manual(
    values = c(
      "AEROPUERTO INTERNACIONAL" = "#e74c3c",
      "AERODROMO" = "#3498db",
      "HELIPUERTO" = "#2ecc71"
    ),
    name = "Tipo"
  ) +
  scale_shape_manual(
    values = c(
      "AEROPUERTO INTERNACIONAL" = 17,
      "AERODROMO" = 16,
      "HELIPUERTO" = 15
    ),
    name = "Tipo"
  ) +
  labs(
    title = "Aeródromos del Departamento de Cusco",
    subtitle = "Actualizado 2022 - MTC",
    caption = "Fuente: MTC | Visor SDOT"
  ) +
  theme_minimal()


# Mapa con etiquetas
ggplot(aero_cusco) +
  geom_sf(aes(color = tipo), size = 3) +
  geom_sf_text(
    aes(label = nombre),
    size = 2.5,
    nudge_y = 0.1,
    check_overlap = TRUE
  ) +
  scale_color_brewer(palette = "Set1", name = "Tipo") +
  labs(
    title = "Aeródromos de Cusco con Nombres",
    caption = "Fuente: MTC 2022"
  ) +
  theme_minimal()

Análisis Integrado

Comparación entre redes viales

# Cargar las tres redes
vias_nacional <- get_red_vial_nacional(departamento = "CUSCO")
vias_departamental <- get_red_vial_departamental(departamento = "CUSCO")
vias_vecinal <- get_red_vial_vecinal(departamento = "CUSCO")

# Crear resumen comparativo
comparacion <- data.frame(
  Red = c("Nacional", "Departamental", "Vecinal"),
  Longitud_km = c(
    sum(vias_nacional$longitud, na.rm = TRUE),
    sum(vias_departamental$longitud, na.rm = TRUE),
    sum(vias_vecinal$longitud, na.rm = TRUE)
  ),
  N_tramos = c(
    nrow(vias_nacional),
    nrow(vias_departamental),
    nrow(vias_vecinal)
  )
)

comparacion <- comparacion |>
  mutate(
    Porcentaje = (Longitud_km / sum(Longitud_km)) * 100,
    Km_promedio_tramo = Longitud_km / N_tramos
  )

print(comparacion)
#>             Red Longitud_km N_tramos Porcentaje Km_promedio_tramo
#> 1      Nacional    2424.775      432   13.35542          5.612905
#> 2 Departamental    3058.914      363   16.84819          8.426760
#> 3       Vecinal   12672.055     2315   69.79640          5.473890

Visualización comparativa

# Gráfico de barras comparativo
ggplot(comparacion, aes(x = Red, y = Longitud_km, fill = Red)) +
  geom_col() +
  geom_text(
    aes(label = paste0(round(Longitud_km, 0), " km\n",
                       round(Porcentaje, 1), "%")),
    vjust = -0.5,
    size = 3.5
  ) +
  scale_fill_manual(
    values = c(
      "Nacional" = "#e74c3c",
      "Departamental" = "#3498db",
      "Vecinal" = "#2ecc71"
    )
  ) +
  labs(
    title = "Comparación de Redes Viales en Cusco",
    subtitle = "Longitud total por tipo de red",
    x = "Tipo de Red Vial",
    y = "Longitud Total (km)",
    caption = "Fuente: PROVÍAS NACIONAL/DESCENTRALIZADO - MTC 2022"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Mapa integrado de infraestructura

# Mapa con todas las redes y aeródromos
ggplot() +
  # Red Nacional (base)
  geom_sf(
    data = vias_nacional,
    aes(color = "Nacional"),
    linewidth = 1.2
  ) +
  # Red Departamental
  geom_sf(
    data = vias_departamental,
    aes(color = "Departamental"),
    linewidth = 0.8
  ) +
  # Red Vecinal
  geom_sf(
    data = vias_vecinal,
    aes(color = "Vecinal"),
    linewidth = 0.4,
    alpha = 0.5
  ) +
  # Aeródromos
  geom_sf(
    data = aero_cusco,
    aes(shape = tipo),
    size = 3,
    color = "black",
    fill = "yellow"
  ) +
  scale_color_manual(
    values = c(
      "Nacional" = "#e74c3c",
      "Departamental" = "#3498db",
      "Vecinal" = "#95a5a6"
    ),
    name = "Red Vial"
  ) +
  scale_shape_manual(
    values = c(
      "AEROPUERTO INTERNACIONAL" = 24,
      "AERODROMO" = 22,
      "HELIPUERTO" = 23
    ),
    name = "Aeródromo"
  ) +
  labs(
    title = "Infraestructura de Transporte - Departamento de Cusco",
    subtitle = "Redes Viales y Aeródromos",
    caption = "Fuente: PROVÍAS NACIONAL/DESCENTRALIZADO, MTC 2022"
  ) +
  theme_minimal() +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold")
  )

Análisis Multidepartamental

Comparación entre departamentos del sur

# Cargar red nacional de varios departamentos
vias_sur <- get_red_vial_nacional(
  departamento = c("PUNO", "APURIMAC")
)

# Análisis por departamento
resumen_sur <- vias_sur |>
  st_drop_geometry() |>
  group_by(nombdep) |>
  summarise(
    longitud_total = sum(longitud, na.rm = TRUE),
    n_rutas = n_distinct(codruta),
    km_pavimentado = sum(longitud[superfic_l == "Pavimentado"], na.rm = TRUE),
    pct_pavimentado = (km_pavimentado / longitud_total) * 100,
    km_buen_estado = sum(longitud[estado_l == "Bueno"], na.rm = TRUE),
    pct_buen_estado = (km_buen_estado / longitud_total) * 100,
    .groups = "drop"
  ) |>
  arrange(desc(longitud_total))

print(resumen_sur)
#> # A tibble: 2 × 7
#>   nombdep  longitud_total n_rutas km_pavimentado pct_pavimentado km_buen_estado
#>   <chr>             <dbl>   <int>          <dbl>           <dbl>          <dbl>
#> 1 PUNO              2042.      17          1307.            64.0          1506.
#> 2 APURIMAC          1284.       9           556.            43.3          1004.
#> # ℹ 1 more variable: pct_buen_estado <dbl>

Visualización regional

# Mapa regional
ggplot(vias_sur) +
  geom_sf(aes(color = nombdep), linewidth = 1) +
  scale_color_brewer(palette = "Set1", name = "Departamento") +
  labs(
    title = "Red Vial Nacional - Región Sur del Perú",
    subtitle = "Puno y Apurímac",
    caption = "Fuente: PROVÍAS NACIONAL - MTC 2022"
  ) +
  theme_minimal()


# Gráfico comparativo de estado
vias_sur |>
  st_drop_geometry() |>
  group_by(nombdep, estado_l) |>
  summarise(km = sum(longitud, na.rm = TRUE), .groups = "drop") |>
  ggplot(aes(x = nombdep, y = km, fill = estado_l)) +
  geom_col(position = "fill") +
  scale_fill_manual(
    values = c("Bueno" = "#2ecc71", "Regular" = "#f39c12", "Malo" = "#e74c3c"),
    name = "Estado"
  ) +
  scale_y_continuous(labels = scales::percent) +
  labs(
    title = "Proporción de Estado de Vías por Departamento",
    subtitle = "Red Vial Nacional - Sur del Perú",
    x = "Departamento",
    y = "Porcentaje",
    caption = "Fuente: PROVÍAS NACIONAL"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análisis de Accesibilidad

Conectividad aérea

# Cargar aeródromos de múltiples departamentos
aero_sur <- get_aerodromos(
  departamento = c("PUNO", "AREQUIPA", "APURIMAC")
)

# Resumen por departamento
aero_sur |>
  st_drop_geometry() |>
  group_by(nombdep, tipo) |>
  summarise(n = n(), .groups = "drop") |>
  tidyr::pivot_wider(names_from = tipo, values_from = n, values_fill = 0)
#> # A tibble: 3 × 5
#>   nombdep  AEROPUERTO HELIPUERTO AERODROMO `AEROPUERTO INTERNACIONAL`
#>   <chr>         <int>      <int>     <int>                      <int>
#> 1 APURIMAC          1          2         0                          0
#> 2 AREQUIPA          0          1         3                          1
#> 3 PUNO              0          0         1                          1

# Aeródromos operativos públicos
aero_publicos <- aero_sur |>
  filter(titular == "PUBLICA", estado == "OPERATIVO")

nrow(aero_publicos)
#> [1] 2

Casos de Uso Prácticos

Caso 1: Planificación de rutas

# Identificar la ruta principal entre Cusco y Lima
# PE-3S es la carretera principal

ruta_principal <- vias_nacional |>
  filter(codruta == "PE-3S")

# Análisis de la ruta
ruta_principal |>
  st_drop_geometry() |>
  summarise(
    longitud_total = sum(longitud, na.rm = TRUE),
    km_pavimentado = sum(longitud[superfic_l == "Pavimentado"], na.rm = TRUE),
    km_afirmado = sum(longitud[superfic_l == "Afirmado"], na.rm = TRUE)
  )
#> # A tibble: 1 × 3
#>   longitud_total km_pavimentado km_afirmado
#>            <dbl>          <dbl>       <dbl>
#> 1           280.           280.           0

Caso 2: Evaluación de necesidades de mantenimiento

# Identificar tramos que requieren intervención urgente
# (mal estado y alta importancia)

vias_prioritarias <- vias_departamental |>
  filter(
    estado_l == "MALO",
    superfic_l %in% c("PAVIMENTADO", "AFIRMADO")
  ) |>
  arrange(desc(longitud))

# Resumen por provincia
vias_prioritarias |>
  st_drop_geometry() |>
  group_by(nombprov) |>
  summarise(
    km_requiere_atencion = sum(longitud, na.rm = TRUE),
    n_tramos = n(),
    .groups = "drop"
  ) |>
  arrange(desc(km_requiere_atencion))
#> # A tibble: 11 × 3
#>    nombprov      km_requiere_atencion n_tramos
#>    <chr>                        <dbl>    <int>
#>  1 LA CONVENCION               288.         39
#>  2 PARURO                      200.         16
#>  3 CHUMBIVILCAS                130.          8
#>  4 CANCHIS                     122.          4
#>  5 PAUCARTAMBO                  83.7         6
#>  6 CANAS                        53.7         2
#>  7 ANTA                         38.0         6
#>  8 ESPINAR                      37.3         3
#>  9 QUISPICANCHI                 30.4         4
#> 10 CUSCO                        19.6         1
#> 11 URUBAMBA                      7.24        1

Caso 3: Análisis de inversión rural

# Analizar el estado de la red vecinal
# para priorizar inversiones

analisis_rural <- vias_vecinal |>
  st_drop_geometry() |>
  group_by(nombprov) |>
  summarise(
    km_total = sum(longitud, na.rm = TRUE),
    km_trocha = sum(longitud[superfic_l == "Trocha"], na.rm = TRUE),
    pct_trocha = (km_trocha / km_total) * 100,
    km_malo = sum(longitud[estado_l == "Malo"], na.rm = TRUE),
    pct_malo = (km_malo / km_total) * 100,
    .groups = "drop"
  ) |>
  arrange(desc(pct_trocha))

# Provincias con mayor necesidad de mejoramiento
print(head(analisis_rural, 10))
#> # A tibble: 10 × 6
#>    nombprov      km_total km_trocha pct_trocha km_malo pct_malo
#>    <chr>            <dbl>     <dbl>      <dbl>   <dbl>    <dbl>
#>  1 QUISPICANCHI     1091.      984.       90.2   397.      36.4
#>  2 PAUCARTAMBO      1129.      870.       77.1   358.      31.8
#>  3 ACOMAYO           495.      367.       74.1   132.      26.7
#>  4 ANTA              763.      553.       72.6   136.      17.8
#>  5 CANCHIS           625.      417.       66.8    88.9     14.2
#>  6 CALCA             874.      480.       54.9   304.      34.8
#>  7 LA CONVENCION    2938.     1472.       50.1   994.      33.8
#>  8 PARURO            656.      323.       49.2   178.      27.1
#>  9 CHUMBIVILCAS     1464.      621.       42.4   253.      17.3
#> 10 ESPINAR           992.      269.       27.1   390.      39.3

Exportación de Datos

Guardar en formatos estándar

# Exportar a GeoPackage
st_write(
  vias_nacional,
  "red_vial_nacional_cusco.gpkg",
  delete_dsn = TRUE
)

# Exportar a Shapefile
st_write(
  aero_cusco,
  "aerodromos_cusco.shp",
  delete_dsn = TRUE
)

# Exportar datos tabulares a CSV
vias_nacional |>
  st_drop_geometry() |>
  write.csv("red_nacional_cusco_datos.csv", row.names = FALSE)

Introducción

Red Vial Nacional

Carga de datos

Análisis básico

Visualización

Red Vial Departamental

Carga y análisis

Visualización por tipo de superficie

Filtrado por provincia

Red Vial Vecinal

Características de la red vecinal

Identificación de prioridades

Visualización

Aeródromos

Carga y exploración

Visualización

Análisis Integrado

Comparación entre redes viales

Visualización comparativa

Mapa integrado de infraestructura

Análisis Multidepartamental

Comparación entre departamentos del sur

Visualización regional

Análisis de Accesibilidad

Conectividad aérea

Casos de Uso Prácticos

Caso 1: Planificación de rutas

Caso 2: Evaluación de necesidades de mantenimiento

Caso 3: Análisis de inversión rural

Exportación de Datos

Guardar en formatos estándar

Recursos Adicionales

Fuentes de datos

Normativa relevante