PRODES — Desmatamento Anual da Amazônia Legal (INPE)

import pandas as pd
import requests
 
# Taxas históricas de desmatamento na Amazônia Legal
# Dados consolidados disponíveis no OBT/INPE
url_taxas = "http://www.obt.inpe.br/OBT/assuntos/programas/amazonia/prodes"
 
# Alternativamente, os dados tabulares podem ser baixados do TerraBrasilis
# Aqui usamos um CSV previamente baixado
df_taxas = pd.read_csv(
    "prodes_taxas_anuais.csv",
    sep=";",
    encoding="utf-8",
)
 
print("Taxa anual de desmatamento na Amazônia Legal (km²):")
print(df_taxas[["ano", "taxa_km2"]].tail(10).to_string(index=False))
 
# Variação percentual ano a ano
df_taxas["variacao_pct"] = df_taxas["taxa_km2"].pct_change() * 100
print("\nVariação percentual:")
print(df_taxas[["ano", "taxa_km2", "variacao_pct"]].tail(10).to_string(index=False))

import geopandas as gpd
import matplotlib.pyplot as plt
 
# Carregar shapefile de incrementos PRODES
# Baixe de: http://terrabrasilis.dpi.inpe.br/downloads/
gdf_prodes = gpd.read_file("prodes_amazonia_legal_2023.shp")
 
print(f"Total de polígonos de desmatamento: {len(gdf_prodes):,}")
print(f"Colunas: {list(gdf_prodes.columns)}")
print(f"CRS: {gdf_prodes.crs}")
print(f"Área total desmatada: {gdf_prodes['area_km2'].sum():,.1f} km²")
 
# Desmatamento por UF
por_uf = (
    gdf_prodes.groupby("uf")["area_km2"]
    .sum()
    .sort_values(ascending=False)
)
 
print("\nDesmatamento por UF (km²):")
print(por_uf.to_string())

import pandas as pd
import geopandas as gpd
 
# Carregar dados PRODES de múltiplos anos
anos = range(2019, 2024)
frames = []
 
for ano in anos:
    gdf = gpd.read_file(f"prodes_{ano}.shp")
    gdf["ano_prodes"] = ano
    frames.append(gdf)
 
gdf_todos = pd.concat(frames, ignore_index=True)
 
# Top 10 municípios com maior desmatamento acumulado (2019-2023)
top_municipios = (
    gdf_todos.groupby(["cod_municipio", "municipio", "uf"])["area_km2"]
    .sum()
    .sort_values(ascending=False)
    .head(10)
)
 
print("Top 10 municípios — desmatamento acumulado 2019-2023 (km²):")
print(top_municipios.to_string())
 
# Evolução anual dos top 5 municípios
top5_codigos = top_municipios.index.get_level_values("cod_municipio")[:5]
evolucao = (
    gdf_todos[gdf_todos["cod_municipio"].isin(top5_codigos)]
    .groupby(["municipio", "ano_prodes"])["area_km2"]
    .sum()
    .unstack(fill_value=0)
)
 
print("\nEvolução anual dos 5 maiores desmatadores:")
print(evolucao.to_string())

import requests
import pandas as pd
 
BASE_URL = "http://terrabrasilis.dpi.inpe.br/api/v1"
 
 
def consultar_prodes_api(ano: int = None, uf: str = None):
    """
    Consulta dados PRODES via API TerraBrasilis.
 
    Args:
        ano: Ano PRODES (opcional)
        uf: Sigla da UF (opcional)
 
    Returns:
        Dados de desmatamento em formato dict
    """
    url = f"{BASE_URL}/deforestation/prodes"
    params = {}
    if ano:
        params["year"] = ano
    if uf:
        params["state"] = uf
 
    response = requests.get(url, params=params, timeout=60)
    response.raise_for_status()
    return response.json()
 
 
# Exemplo: consultar desmatamento no Pará em 2023
dados = consultar_prodes_api(ano=2023, uf="PA")
print(f"Registros retornados: {len(dados)}")

import geopandas as gpd
 
# 1. Carregar polígonos PRODES (incrementos de desmatamento)
gdf_prodes = gpd.read_file("prodes_amazonia_2023.shp")
 
# 2. Carregar dados do CAR (polígonos de propriedades e reserva legal)
gdf_car_propriedades = gpd.read_file("car_imoveis.shp")
gdf_car_reserva = gpd.read_file("car_reserva_legal.shp")
gdf_car_app = gpd.read_file("car_app.shp")
 
# 3. Garantir mesmo CRS
gdf_prodes = gdf_prodes.to_crs("EPSG:4674")  # SIRGAS 2000
gdf_car_reserva = gdf_car_reserva.to_crs("EPSG:4674")
gdf_car_app = gdf_car_app.to_crs("EPSG:4674")
 
# 4. Identificar desmatamento dentro de Reserva Legal
desmat_em_rl = gpd.overlay(gdf_prodes, gdf_car_reserva, how="intersection")
print(f"Polígonos PRODES que incidem sobre Reserva Legal: {len(desmat_em_rl):,}")
 
area_rl_desmatada = desmat_em_rl.geometry.area.sum() / 1e6  # m² para km²
print(f"Área de Reserva Legal desmatada: {area_rl_desmatada:,.1f} km²")
 
# 5. Identificar desmatamento dentro de APP
desmat_em_app = gpd.overlay(gdf_prodes, gdf_car_app, how="intersection")
print(f"Polígonos PRODES que incidem sobre APP: {len(desmat_em_app):,}")
 
area_app_desmatada = desmat_em_app.geometry.area.sum() / 1e6
print(f"Área de APP desmatada: {area_app_desmatada:,.1f} km²")