CAR — Cadastro Ambiental Rural (SICAR/MMA)

# Acessar a página de downloads do SICAR
# https://www.car.gov.br/publico/imoveis/index
# Selecionar a UF desejada e o tipo de dado
 
# Os arquivos são disponibilizados por UF e incluem:
# - Imóveis rurais (perímetro)
# - Reserva Legal
# - APP
# - Vegetação nativa
# - Uso consolidado
# - Hidrografia

car_dados_uf/
├── AREA_IMOVEL.shp          # Perímetro dos imóveis rurais
├── RESERVA_LEGAL.shp         # Áreas de Reserva Legal declaradas
├── APP.shp                    # Áreas de Preservação Permanente
├── VEGETACAO_NATIVA.shp       # Remanescentes de vegetação nativa
├── USO_CONSOLIDADO.shp        # Áreas de uso agropecuário consolidado
├── AREA_USO_RESTRITO.shp      # Áreas com restrições de uso
├── SERVIDAO_ADMINISTRATIVA.shp # Servidões administrativas
└── HIDROGRAFIA.shp            # Corpos d'água declarados

import geopandas as gpd
import pandas as pd
 
# Carregar shapefile de imóveis rurais de um estado
# Baixe de: https://www.car.gov.br/publico/imoveis/index
gdf_imoveis = gpd.read_file("AREA_IMOVEL_PA.shp")
 
print(f"Total de imóveis cadastrados: {len(gdf_imoveis):,}")
print(f"Colunas: {list(gdf_imoveis.columns)}")
print(f"CRS: {gdf_imoveis.crs}")
 
# Distribuição por tamanho de imóvel
gdf_imoveis["area_ha"] = gdf_imoveis.geometry.area / 10_000  # m² para hectares
 
faixas = pd.cut(
    gdf_imoveis["area_ha"],
    bins=[0, 4, 20, 100, 500, 2500, float("inf")],
    labels=["<4 ha (minifúndio)", "4-20 ha", "20-100 ha", "100-500 ha", "500-2500 ha", ">2500 ha"],
)
 
print("\nDistribuição de imóveis por faixa de área:")
print(faixas.value_counts().sort_index().to_string())

import geopandas as gpd
import pandas as pd
 
# Carregar imóveis e reserva legal
gdf_imoveis = gpd.read_file("AREA_IMOVEL_PA.shp")
gdf_reserva = gpd.read_file("RESERVA_LEGAL_PA.shp")
 
# Calcular área dos imóveis e da reserva legal
gdf_imoveis["area_imovel_ha"] = gdf_imoveis.geometry.area / 10_000
gdf_reserva["area_rl_ha"] = gdf_reserva.geometry.area / 10_000
 
# Agregar reserva legal por imóvel
rl_por_imovel = (
    gdf_reserva.groupby("cod_imovel")["area_rl_ha"]
    .sum()
    .reset_index()
)
 
# Merge: imóvel + reserva legal
df_check = gdf_imoveis[["cod_imovel", "area_imovel_ha"]].merge(
    rl_por_imovel, on="cod_imovel", how="left"
)
 
df_check["area_rl_ha"] = df_check["area_rl_ha"].fillna(0)
df_check["pct_rl"] = (df_check["area_rl_ha"] / df_check["area_imovel_ha"]) * 100
 
# Na Amazônia, a Reserva Legal deve ser >= 80%
LIMITE_RL_AMAZONIA = 80
 
df_check["conforme"] = df_check["pct_rl"] >= LIMITE_RL_AMAZONIA
 
print(f"Imóveis analisados: {len(df_check):,}")
print(f"Imóveis com RL >= {LIMITE_RL_AMAZONIA}%: {df_check['conforme'].sum():,}")
print(f"Imóveis com RL < {LIMITE_RL_AMAZONIA}%: {(~df_check['conforme']).sum():,}")
print(f"Imóveis sem RL declarada: {(df_check['area_rl_ha'] == 0).sum():,}")
 
# Déficit de Reserva Legal
nao_conformes = df_check[~df_check["conforme"]].copy()
nao_conformes["deficit_ha"] = (
    (LIMITE_RL_AMAZONIA / 100) * nao_conformes["area_imovel_ha"]
    - nao_conformes["area_rl_ha"]
)
 
deficit_total = nao_conformes["deficit_ha"].sum()
print(f"\nDéficit total de Reserva Legal: {deficit_total:,.0f} hectares")

import geopandas as gpd
 
# 1. Carregar dados
gdf_car = gpd.read_file("AREA_IMOVEL_PA.shp").to_crs("EPSG:4674")
gdf_deter = gpd.read_file("deter_amazonia_2024.shp").to_crs("EPSG:4674")
 
# 2. Spatial join: alertas dentro de imóveis do CAR
alertas_no_car = gpd.sjoin(gdf_deter, gdf_car, how="inner", predicate="intersects")
 
print(f"Total de alertas DETER: {len(gdf_deter):,}")
print(f"Alertas dentro de imóveis CAR: {len(alertas_no_car):,}")
print(f"Imóveis afetados: {alertas_no_car['cod_imovel'].nunique():,}")
 
# 3. Ranking: imóveis com maior desmatamento recente
ranking = (
    alertas_no_car.groupby("cod_imovel")
    .agg(
        num_alertas=("area_km2", "count"),
        area_alertada_km2=("area_km2", "sum"),
    )
    .sort_values("area_alertada_km2", ascending=False)
    .head(20)
)
 
print("\nTop 20 imóveis com mais desmatamento recente (DETER):")
print(ranking.to_string())

import geopandas as gpd
 
# Carregar CAR e Unidades de Conservação
gdf_car = gpd.read_file("AREA_IMOVEL_PA.shp").to_crs("EPSG:4674")
gdf_uc = gpd.read_file("unidades_conservacao_icmbio.shp").to_crs("EPSG:4674")
 
# Identificar imóveis CAR que se sobrepõem a UCs
sobreposicao = gpd.sjoin(gdf_car, gdf_uc, how="inner", predicate="intersects")
 
print(f"Imóveis CAR sobrepostos a Unidades de Conservação: {len(sobreposicao):,}")
print(f"UCs afetadas: {sobreposicao['nome_uc'].nunique()}")
 
# Detalhar por tipo de UC
por_tipo_uc = (
    sobreposicao.groupby("tipo_uc")["cod_imovel"]
    .nunique()
    .sort_values(ascending=False)
)
 
print("\nImóveis sobrepostos por tipo de UC:")
print(por_tipo_uc.to_string())

import geopandas as gpd
import pandas as pd
 
# Este pipeline identifica proprietários com:
# (1) alertas de desmatamento (DETER) dentro de suas propriedades (CAR)
# (2) que já possuem autuações anteriores (IBAMA)
 
# 1. Carregar dados
gdf_car = gpd.read_file("AREA_IMOVEL_MT.shp").to_crs("EPSG:4674")
gdf_deter = gpd.read_file("deter_amazonia_2024.shp").to_crs("EPSG:4674")
df_ibama = pd.read_csv("IBAMA-auto-infracao.csv", sep=";", encoding="latin-1", dtype=str)
 
# 2. Cruzamento espacial: alertas DETER em imóveis CAR
alertas_car = gpd.sjoin(gdf_deter, gdf_car, how="inner", predicate="intersects")
 
# 3. Extrair CPFs/CNPJs dos imóveis com alertas
cpfs_alertados = alertas_car["cpf_cnpj"].dropna().unique()
 
# 4. Verificar quais desses CPFs/CNPJs possuem autos de infração
df_ibama["cpf_cnpj_limpo"] = (
    df_ibama["cpf_cnpj_infrator"]
    .str.replace(r"[.\-/]", "", regex=True)
)
 
reincidentes = df_ibama[
    df_ibama["cpf_cnpj_limpo"].isin(cpfs_alertados)
]
 
print(f"Imóveis com alertas DETER: {alertas_car['cod_imovel'].nunique():,}")
print(f"CPFs/CNPJs com alertas: {len(cpfs_alertados):,}")
print(f"Já autuados pelo IBAMA: {reincidentes['cpf_cnpj_limpo'].nunique():,}")
 
if not reincidentes.empty:
    print("\nInfratores reincidentes (com alertas DETER + autos IBAMA):")
    resumo = (
        reincidentes.groupby("cpf_cnpj_limpo")
        .agg(
            num_autos=("num_auto_infracao", "count"),
            valor_total=("val_auto_infracao", "first"),
        )
        .sort_values("num_autos", ascending=False)
        .head(10)
    )
    print(resumo.to_string())