IBAMA — Autos de Infração e Embargos Ambientais

# Autos de infração (arquivo ZIP; o link exato pode mudar — consulte dados.gov.br)
wget "https://dadosabertos.ibama.gov.br/dados/SIFISC/auto_infracao/auto_infracao/auto_infracao_csv.zip"
unzip auto_infracao_csv.zip
 
# Áreas embargadas
# NOTA: o caminho de download pode variar. Consulte a página do dataset para
# obter o link atualizado:
# https://dadosabertos.ibama.gov.br/dataset/fiscalizacao-auto-de-infracao
wget "https://dadosabertos.ibama.gov.br/dados/IBAMA-areas-embargadas.csv"

import pandas as pd
import zipfile
import io
 
# O arquivo de autos de infração é distribuído em formato ZIP.
# Faça o download e descompacte antes de carregar:
#   wget "https://dadosabertos.ibama.gov.br/dados/SIFISC/auto_infracao/auto_infracao/auto_infracao_csv.zip"
#   unzip auto_infracao_csv.zip
#
# Ou descompacte diretamente no Python:
# with zipfile.ZipFile("auto_infracao_csv.zip") as zf:
#     csv_name = zf.namelist()[0]
#     with zf.open(csv_name) as f:
#         df_autos = pd.read_csv(f, sep=";", encoding="latin-1", dtype=str, low_memory=False)
 
df_autos = pd.read_csv(
    "auto_infracao.csv",  # arquivo descompactado
    sep=";",
    encoding="latin-1",
    dtype=str,
    low_memory=False,
)
 
print(f"Total de autos de infração: {len(df_autos):,}")
print(f"Colunas disponíveis: {list(df_autos.columns)}")
print(df_autos.head())

import pandas as pd
 
# Converter valor da multa para numérico
df_autos["valor_multa"] = (
    df_autos["val_auto_infracao"]
    .str.replace(".", "", regex=False)
    .str.replace(",", ".", regex=False)
    .astype(float)
)
 
# Total de multas por UF
multas_por_uf = (
    df_autos.groupby("des_uf")
    .agg(
        quantidade=("num_auto_infracao", "count"),
        valor_total=("valor_multa", "sum"),
    )
    .sort_values("valor_total", ascending=False)
)
 
print("Multas ambientais por UF (maiores valores):")
print(multas_por_uf.head(10).to_string())
 
# Tipos de infração mais frequentes
tipos_infracao = (
    df_autos["des_tipo_infracao"]
    .value_counts()
    .head(10)
)
 
print("\nTipos de infração mais frequentes:")
print(tipos_infracao.to_string())

import pandas as pd
 
# Carregar áreas embargadas
# NOTA: o caminho de download pode variar. Consulte o dataset em:
# https://dadosabertos.ibama.gov.br/dataset/fiscalizacao-auto-de-infracao
url_embargos = "https://dadosabertos.ibama.gov.br/dados/IBAMA-areas-embargadas.csv"
 
df_embargos = pd.read_csv(
    url_embargos,
    sep=";",
    encoding="latin-1",
    dtype=str,
)
 
# Cruzar autos de infração com áreas embargadas
# Identificar infratores que possuem áreas embargadas
cruzamento = pd.merge(
    df_autos,
    df_embargos,
    left_on="cpf_cnpj_infrator",
    right_on="cpf_cnpj_embargado",
    how="inner",
    suffixes=("_auto", "_embargo"),
)
 
print(f"Infratores com áreas embargadas: {cruzamento['cpf_cnpj_infrator'].nunique():,}")
print(f"Total de registros cruzados: {len(cruzamento):,}")
 
# Identificar reincidentes (múltiplos autos + embargo)
reincidentes = (
    cruzamento.groupby("cpf_cnpj_infrator")
    .agg(
        num_autos=("num_auto_infracao_auto", "nunique"),
        num_embargos=("num_auto_infracao_embargo", "nunique"),
    )
    .query("num_autos > 1")
    .sort_values("num_autos", ascending=False)
)
 
print(f"\nInfratores reincidentes com embargos: {len(reincidentes):,}")
print(reincidentes.head(10))

def verificar_infracoes_empresa(cnpj: str, df_autos: pd.DataFrame) -> pd.DataFrame:
    """
    Verifica se uma empresa possui autos de infração no IBAMA.
 
    Args:
        cnpj: CNPJ da empresa (apenas números)
        df_autos: DataFrame com autos de infração
 
    Returns:
        DataFrame com as infrações encontradas
    """
    # Normalizar CNPJ (remover formatação)
    cnpj_limpo = cnpj.replace(".", "").replace("/", "").replace("-", "")
 
    resultado = df_autos[
        df_autos["cpf_cnpj_infrator"].str.replace(r"[.\-/]", "", regex=True)
        == cnpj_limpo
    ]
 
    if len(resultado) > 0:
        print(f"ALERTA: Empresa {cnpj} possui {len(resultado)} auto(s) de infração!")
        for _, row in resultado.iterrows():
            print(f"  Auto: {row.get('num_auto_infracao', 'N/A')}")
            print(f"  Tipo: {row.get('des_tipo_infracao', 'N/A')}")
            print(f"  Valor: R$ {row.get('val_auto_infracao', 'N/A')}")
            print(f"  Data: {row.get('dat_auto_infracao', 'N/A')}")
            print(f"  Município: {row.get('des_municipio', 'N/A')}/{row.get('des_uf', 'N/A')}")
            print()
    else:
        print(f"Empresa {cnpj} não possui autos de infração no IBAMA.")
 
    return resultado
 
 
# Exemplo de uso
verificar_infracoes_empresa("00000000000191", df_autos)

import pandas as pd
import geopandas as gpd
from shapely.geometry import Point
 
# 1. Carregar autos de infração do IBAMA (arquivo descompactado do ZIP)
df_autos = pd.read_csv(
    "auto_infracao.csv",
    sep=";",
    encoding="latin-1",
    dtype=str,
)
 
# Filtrar infrações de flora (desmatamento)
df_flora = df_autos[df_autos["des_tipo_infracao"].str.contains("Flora", na=False)].copy()
df_flora["num_latitude"] = pd.to_numeric(df_flora["num_latitude"], errors="coerce")
df_flora["num_longitude"] = pd.to_numeric(df_flora["num_longitude"], errors="coerce")
df_flora = df_flora.dropna(subset=["num_latitude", "num_longitude"])
 
# Converter para GeoDataFrame
gdf_autos = gpd.GeoDataFrame(
    df_flora,
    geometry=gpd.points_from_xy(df_flora["num_longitude"], df_flora["num_latitude"]),
    crs="EPSG:4326",
)
 
# 2. Carregar polígonos de desmatamento PRODES (shapefile)
gdf_prodes = gpd.read_file("prodes_amazonia_2023.shp")
 
# 3. Spatial join: identificar autos dentro de áreas desmatadas
cruzamento = gpd.sjoin(gdf_autos, gdf_prodes, how="inner", predicate="within")
 
print(f"Autos de infração dentro de áreas PRODES: {len(cruzamento):,}")
print(f"Municípios afetados: {cruzamento['des_municipio'].nunique()}")