Coletando dados de secas e queimadas no Brasil com Python

Anualmente as queimadas devastam a fauna e a flora do Brasil em diversas regiões, atingindo níveis mais extremos nos anos recentes. Os reflexos destes eventos são sentidos tanto na cadeia produtiva do país, pela destruição de safras, quanto na qualidade do ar, pela concentração de fumaça, e, portanto, na vida cotidiana dos brasileiros.

Dado o perigo de afetar a dinâmica econômica e a saúde da população, torna-se imperativo monitorar e analisar os dados de queimadas no Brasil, possibilitando a ação através de medidas corretivas ou preventivas. Apesar do noticiário diário sobre o assunto, pouco se fala sobre a origem e a análise dos dados que possibilitem ações.

Neste artigo exploramos fontes públicas de dados sobre secas e queimadas no Brasil. Mostramos como acessar, coletar e preparar os dados para elaboração de análises. Usamos a linguagem Python para desenvolver uma rotina automatizada.

Fontes de dados

No Brasil existem algumas instituições do governo/academia que monitoram as queimadas no Brasil e disponibilizam os dados:

  • Instituto Nacional de Pesquisas Espaciais (INPE), através do Programa Queimadas, disponibiliza dados sobre focos de fogo identificados por satélites, além de área queimada, área desmatada, riscos de queimada, dentre outros.
  • Laboratório de Aplicações de Satélites Ambientais da Universidade Federal do Rio de Janeiro (Lasa-UFRJ) publicam dados sobre área queimada e perigo de fogo identificados por satélite em tempo quase real.

Os dados costumam, quando muito, ser disponibilizados através de arquivos CSV para download. Na falta desta opção, o interessado deve verificar a possibilidade de web scraping.

Coleta de dados

Vamos demonstrar como coletar dados de queimadas no Brasil provenientes do INPE, através do seu Programa Queimadas. Todos os dados disponíveis estão no endereço https://terrabrasilis.dpi.inpe.br/queimadas/portal/dados-abertos/.

  • Exemplo 1: focos de queimadas diário no Brasil.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

  • Exemplo 2: focos de queimadas mensal no Brasil.
  • Exemplo 3: área queimada mensal no Brasil.
Ano Mês Amazônia Caatinga Cerrado Mata Atlântica Pampa Pantanal Total mensal
0 2002 1.0 NaN NaN NaN NaN NaN NaN NaN
1 2002 2.0 NaN NaN NaN NaN NaN NaN NaN
2 2002 3.0 NaN NaN NaN NaN NaN NaN NaN
3 2002 4.0 NaN NaN NaN NaN NaN NaN NaN
4 2002 5.0 NaN NaN NaN NaN NaN NaN NaN
... ... ... ... ... ... ... ... ... ...
290 2024 5.0 2014.0 430.0 11482.0 2210.0 12.0 390.0 16538.0
291 2024 6.0 3400.0 1114.0 23250.0 6755.0 0.0 4704.0 39223.0
292 2024 7.0 8664.0 1754.0 18706.0 7257.0 28.0 1820.0 38229.0
293 2024 8.0 36022.0 4870.0 49070.0 11945.0 157.0 8640.0 110704.0
294 Total anual NaN 62268.0 9549.0 106677.0 29211.0 236.0 16440.0 224381.0

295 rows × 9 columns

Análise de dados

Uma vez que os dados tenham sido obtidos, é possível, unindo o conhecimento sobre a área e sobre séries temporais, produzir análises com esta abaixo:

Como pode ser visto, a situação em 2024 não está nada boa neste aspecto 🙁

Conclusão

Neste artigo exploramos fontes públicas de dados sobre secas e queimadas no Brasil. Mostramos como acessar, coletar e preparar os dados para elaboração de análises. Usamos a linguagem Python para desenvolver uma rotina automatizada.

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, fale com a gente no Whatsapp e veja como fazer parte do Clube AM, clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.