Focos de Calor / Queimadas — INPE (BDQUEIMADAS)

# Focos de calor do último mês (satélite de referência AQUA)
wget "https://dataserver-coids.inpe.br/queimadas/queimadas/focos/csv/mensal/Brasil/focos_mensal_br_202401.csv"
 
# Focos de calor do ano completo
wget "https://dataserver-coids.inpe.br/queimadas/queimadas/focos/csv/anual/Brasil/focos_anual_br_2024.csv"
 
# Dados diários
wget "https://dataserver-coids.inpe.br/queimadas/queimadas/focos/csv/diario/Brasil/focos_diario_br_20240115.csv"

import pandas as pd
 
# Baixar dados de focos de calor (CSV mensal)
url = "https://dataserver-coids.inpe.br/queimadas/queimadas/focos/csv/mensal/Brasil/focos_mensal_br_202408.csv"
 
df_focos = pd.read_csv(url, encoding="latin-1")
 
print(f"Total de focos de calor: {len(df_focos):,}")
print(f"Colunas: {list(df_focos.columns)}")
print(f"Período: {df_focos['data_hora_gmt'].min()} a {df_focos['data_hora_gmt'].max()}")
 
# Focos por bioma
por_bioma = df_focos["bioma"].value_counts()
print("\nFocos de calor por bioma:")
print(por_bioma.to_string())
 
# Focos por UF
por_uf = df_focos["estado"].value_counts().head(10)
print("\nTop 10 UFs com mais focos:")
print(por_uf.to_string())

import pandas as pd
 
# Carregar dados anuais
df_focos = pd.read_csv(
    "focos_anual_br_2024.csv",
    encoding="latin-1",
    parse_dates=["data_hora_gmt"],
)
 
# Filtrar apenas satélite de referência (AQUA) para consistência
df_aqua = df_focos[df_focos["satelite"] == "AQUA_M-T"].copy()
 
# Série diária de focos
df_aqua["data"] = df_aqua["data_hora_gmt"].dt.date
serie_diaria = df_aqua.groupby("data").size()
 
print("Série diária de focos (AQUA):")
print(f"  Mínimo: {serie_diaria.min():,} focos/dia")
print(f"  Máximo: {serie_diaria.max():,} focos/dia")
print(f"  Média: {serie_diaria.mean():,.0f} focos/dia")
 
# Série mensal
df_aqua["mes"] = df_aqua["data_hora_gmt"].dt.to_period("M")
serie_mensal = df_aqua.groupby("mes").size()
 
print("\nSérie mensal de focos (AQUA):")
print(serie_mensal.to_string())

import requests
import pandas as pd
 
BASE_URL = "https://terrabrasilis.dpi.inpe.br/queimadas/bdqueimadas/api"
 
 
def consultar_focos(
    data_inicial: str,
    data_final: str,
    estado: str = None,
    bioma: str = None,
    satelite: str = "AQUA_M-T",
):
    """
    Consulta focos de calor via API BDQUEIMADAS.
 
    Args:
        data_inicial: Data inicial (YYYY-MM-DD)
        data_final: Data final (YYYY-MM-DD)
        estado: Sigla da UF (opcional)
        bioma: Nome do bioma (opcional)
        satelite: Nome do satélite (padrão: AQUA_M-T)
 
    Returns:
        DataFrame com focos de calor
    """
    url = f"{BASE_URL}/focos"
    params = {
        "dataInicial": data_inicial,
        "dataFinal": data_final,
        "pais": "Brazil",
        "satelite": satelite,
    }
    if estado:
        params["estado"] = estado
    if bioma:
        params["bioma"] = bioma
 
    response = requests.get(url, params=params, timeout=120)
    response.raise_for_status()
    return pd.DataFrame(response.json())
 
 
# Exemplo: focos na Amazônia em agosto/2024
df = consultar_focos(
    data_inicial="2024-08-01",
    data_final="2024-08-31",
    bioma="Amazônia",
)
 
print(f"Focos na Amazônia em agosto/2024: {len(df):,}")

import geopandas as gpd
import pandas as pd
 
# 1. Carregar focos de calor como GeoDataFrame
df_focos = pd.read_csv("focos_anual_br_2024.csv", encoding="latin-1")
gdf_focos = gpd.GeoDataFrame(
    df_focos,
    geometry=gpd.points_from_xy(df_focos["longitude"], df_focos["latitude"]),
    crs="EPSG:4326",
)
 
# 2. Carregar unidades de conservação
gdf_ucs = gpd.read_file("unidades_conservacao_federais.shp").to_crs("EPSG:4326")
 
# 3. Identificar focos dentro de UCs
focos_em_uc = gpd.sjoin(gdf_focos, gdf_ucs, how="inner", predicate="within")
 
print(f"Total de focos: {len(gdf_focos):,}")
print(f"Focos dentro de UCs federais: {len(focos_em_uc):,}")
print(f"UCs afetadas: {focos_em_uc['nome_uc'].nunique()}")
 
# Ranking de UCs com mais focos
ranking = (
    focos_em_uc.groupby(["nome_uc", "categManej"])
    .size()
    .sort_values(ascending=False)
    .head(20)
    .rename("num_focos")
)
 
print("\nTop 20 UCs com mais focos de calor:")
print(ranking.to_string())

import pandas as pd
 
# Carregar dados de múltiplos anos
frames = []
for ano in range(2020, 2025):
    df = pd.read_csv(
        f"focos_anual_br_{ano}.csv",
        encoding="latin-1",
        parse_dates=["data_hora_gmt"],
    )
    df["ano"] = ano
    frames.append(df)
 
df_todos = pd.concat(frames, ignore_index=True)
 
# Filtrar satélite de referência
df_aqua = df_todos[df_todos["satelite"] == "AQUA_M-T"].copy()
df_aqua["mes"] = df_aqua["data_hora_gmt"].dt.month
 
# Média mensal por ano
tabela = pd.pivot_table(
    df_aqua,
    index="mes",
    columns="ano",
    aggfunc="size",
    fill_value=0,
)
 
print("Focos de calor por mês e ano (AQUA):")
print(tabela.to_string())
 
# Calcular anomalia em relação à média histórica
tabela["media_historica"] = tabela.mean(axis=1)
for ano in range(2020, 2025):
    tabela[f"anomalia_{ano}"] = (
        (tabela[ano] - tabela["media_historica"]) / tabela["media_historica"] * 100
    ).round(1)
 
print("\nAnomalia percentual por mês:")
colunas_anomalia = [c for c in tabela.columns if "anomalia" in str(c)]
print(tabela[colunas_anomalia].to_string())

import pandas as pd
import geopandas as gpd
 
# Pipeline: focos de calor -> propriedades CAR -> verificar infrações IBAMA
 
# 1. Carregar focos recentes
df_focos = pd.read_csv("focos_diario_br_20240815.csv", encoding="latin-1")
gdf_focos = gpd.GeoDataFrame(
    df_focos,
    geometry=gpd.points_from_xy(df_focos["longitude"], df_focos["latitude"]),
    crs="EPSG:4326",
).to_crs("EPSG:4674")
 
# Filtrar Amazônia Legal
gdf_focos_amz = gdf_focos[gdf_focos["bioma"] == "Amazônia"]
 
# 2. Carregar imóveis do CAR
gdf_car = gpd.read_file("AREA_IMOVEL_PA.shp").to_crs("EPSG:4674")
 
# 3. Identificar focos dentro de propriedades
focos_no_car = gpd.sjoin(gdf_focos_amz, gdf_car, how="inner", predicate="within")
 
print(f"Focos na Amazônia: {len(gdf_focos_amz):,}")
print(f"Focos dentro de imóveis CAR: {len(focos_no_car):,}")
print(f"Propriedades com focos: {focos_no_car['cod_imovel'].nunique():,}")
 
# 4. Verificar se proprietários possuem infrações IBAMA
df_ibama = pd.read_csv("IBAMA-auto-infracao.csv", sep=";", encoding="latin-1", dtype=str)
 
cpfs_com_focos = focos_no_car["cpf_cnpj"].dropna().unique()
infratores_reincidentes = df_ibama[
    df_ibama["cpf_cnpj_infrator"].isin(cpfs_com_focos)
]
 
print(f"\nProprietários com focos que já possuem infrações IBAMA: "
      f"{infratores_reincidentes['cpf_cnpj_infrator'].nunique():,}")