Análise Geoespacial com GIS (Geographic Information System) e Python: uma breve introdução - terceira parte
Como mencionado na primeira parte deste artigo ele é divido em três e, sendo esta a última, será abordada a manipulação de shapefiles e a utilização de Geopandas.
Se por acaso tu caiste de para-quedas nesse post, não esqueça de olhar a parte dois.
Lendo arquivos shapefile
Primeiramente, para quem vai usar Python é interessante ter as tais bibliotecas que falei. Dependendo do ambiente que for usado para rodar Python, muitas já serão instaladas. Mas se tu queres fazer um test drive e baixar o Python (o tamanho não passa de 40Mb) do site www.python.org é recomendado instalar certos pacotes. São facilmente instalados usando o comando pip (Windows ou Linux), basta digitar na linha de comando:
- pip install numpy
- pip install matplotlib
- pip install pandas
- pip install geopandas
Cada uma destas bibliotecas desempenha várias funções específicas que farão o trabalho bruto. Aqui, a mais importante e a biblioteca Geopandas, ela é capaz de ler diferentes formatos de arquivos chamados dados espaciais, pois além de Shapefile, existem outros como KML, GeoJSON, etc. Juntamente com a biblioteca Geopandas, outras bibliotecas serão utilizadas para que os dados possam ser mais bem visualizados e tratados, por isso elas serão importadas de acordo com a figura ao lado.
Após importar as bibliotecas necessárias, o arquivo já poderá ser lido.
Aplicando a função head() no arquivo com os dados, pode-se observar mais detalhadamente como os dados são compostos. Os atributos do arquivo são o nome do empreendimento, situação da mina, município, supram, número do processo, DNPM, substância, risco ambiental, vulnerabilidade, latitude, longitude e geometria. O atributo geometry, refere-se ao dado espacial, que, neste caso, é o ponto de localização de cada empreendimento. O arquivo é composto por 400 empreendimentos (linhas) e 13 atributos (colunas).
Como o foco é plotar os pontos de localização das minas abandonadas no mapa, não vamos nos estender muito na análise dos dados, numa primeira abordagem, assim, vamos nos fixar nos atributos ‘Municipio’, ‘Substancia’, ‘ Situacao’, ‘Risco__Amb’ e ‘geometry’.
O atributo ‘Municipio’ refere-se aos municípios onde cada mina abandonada está localizada. Tem-se as 400 minas distribuídas em 156 municípios. A figura abaixo mostra os 10 municípios com maior quantidade de minas abandonadas. Coromandel é o município que possui a maior quantidade de empreendimentos abandonados, 21 no total, sendo quase o dobro do segundo que é Jequitinhonha com 12.
Com relação ao atributo ‘Substancia’, este refere-se a substância principal que cada mina abandonada produzia. Estas compunham-se de 29 substâncias, sendo granito, areia, argila e diamante as que representavam a maior quantidade. Granito, com 72 minas, equivalia a 18% do total de minas abandonadas. Enquanto, areia tinha 59 minas (14,75%), argila tinha 32 minas (8%) e diamante também tinha 32 minas (8%). O gráfico de barras abaixo mostra as substâncias e suas quantidades.
A figura abaixo mostra o código que deu origem ao gráfico de barras.
Para o atributo ‘Situacao’, foram vinculadas três situações da mina abandonada: Abandonada, Paralisada com controle ambiental e Paralisada sem controle ambiental. São consideradas Abandonadas, 166 minas (41,5%), 134 minas classificam-se como Paralisada com controle ambiental (33,5%) e 100 minas como Paralisada sem controle ambiental (25%). A figura abaixo mostra o fragmento de código para obter-se os dados e uma tabela com os valores.
Para plotar os dados relacionados a localização das minas abandonadas pode-se utilizar um gráfico simples, do tipo par ordenado (x,y), onde o eixo X representa a longitude e Y representa a latitude. Esse par ordenado pode ser obtido a partir das variáveis LAT, LONG ou da variável geometry. Geometry contém os dados geoespaciais, que nesse caso representa o shapefile ponto. Com apenas uma linha de código é possível geral o gráfico determinando diversas características cor, tamanho, legenda, etc. A figura abaixo exemplifica a fração do código.
O resultado do código é mostrado na próxima figura, onde vê-se os pontos discretizados que representam cada uma das 400 minas abandonadas e as cores rotulam a situação de cada mina.
Com o gráfico de par ordenado é possível ter a noção de espaçamento entre as localizações. Mas para deixar o gráfico mais atrativo seria interessante visualizar os pontos diretamente no mapa de Minas Gerais. Para realizar esta tarefa basta ter-se o shapefile com polígonos que representem as fronteiras entre municípios e do estado de Minas Gerais. O download do arquivo zip está disponível em: ftp://geoftp.ibge.gov.br/organizacao_do_territorio/malhas_territoriais/malhas_municipais/municipio_2019/UFs/MG/
O procedimento para descompactação e abertura do arquivo, segue os mesmos procedimentos que já foram descritos anteriormente. Após aberto, o arquivo mostrará o código e nome de cada município, bem como a variável geometry que armazena o polígono para cada município. Utilizando a função plot é possível, como mostrado na figura abaixo, e, automaticamente, carregar a variável geometry e ao mesmo tempo os dados da variável ‘Situacao’, assim, plota-se o mapa de Minas Gerais e os pontos de localização das minas.
A figura abaixo mostra o resultado do código, onde todos os municípios de Minas Gerais são plotados e os que possuem minas abandonadas mostram as respectivas localizações.
Como visto anteriormente, Coromandel é o município de Minas Gerais com maior número de minas abandonadas. No arquivo contendo os dados dos municípios e no arquivo que contém os polígonos que descrevem cada município de Minas Gerais é possível isolar um ou mais municípios e plotar o respectivo mapa. A figura abaixo representa o fragmento de código que separa os dados de Coromandel.
O procedimento para plotar o mapa de Coromandel e com as suas minas abandonadas é idêntico ao do mapa de Minas Gerais, o diferencial é que os arquivos para onde a função plot é apontada são mg_mun_COROMANDEL e data_COROMANDEL, ficando mg_mun_COROMANDEL.plot e data_COROMANDEL.plot. A figura abaixo mostra o resultado, sendo que dois pontos ficaram fora do mapa. A explicação pode estar relacionada a erro de digitação quando a base de dados foi formulada ou as minas foram registradas como pertencentes a Coromandel mas estão no município vizinho, não tem como sabermos.
O atributo ‘Risco__Amb’, mostra a classificação das minas abandonadas quanto ao seu risco ambiental potencial de acordo com o Cadastro de Minas Abandonadas Paralisadas, da FEAM – Fundação Estadual do Meio Ambiente de Minas Gerais. A classificação é dividida em cinco categorias: BAIXA, MÉDIA, ALTA, MUITO BAIXA e MUITO ALTA. A classificação BAIXA está relacionada a 178 minas abandonadas, o que representa 44,5% do total, em segundo lugar, MÉDIA com 167 (41,75%) e em terceiro, ALTA com 30 (7,5%). As demais classificações completam o número restante (MUITO BAIXA E MUITO ALTA). A figura a abaixo mostra o código para obter-se os dados e os valores para cada classificação. Observa-se que uma entrada foi feita de forma errônea e foi atribuído a palavra “granito” no lugar de uma das classificações de risco. A figura abaixo mostra o código para obter-se o somatório para cada categoria.
Seguindo o mapa anterior, um mapa contendo a Situação de Risco de cada mina abandonada também pode ser plotado. O seguinte mapa representa as mesmas minas de Coromandel, agora com a Situação de Risco de cada uma.
Além dos atributos mencionadas nos mapas anteriores, o tipo de substância primária de cada mina também pode ser plotado. A figura abaixo ilustra as minas e suas substâncias. Observa-se para Coromandel, a maioria das minas abandonadas tinham Argila.
Finalização
Se houve interesse em aprender a utilizar Python existem excelentes referências básicas. Mesmo usuários Windows são capazes de desenvolver ótimos projetos com boa autonomia. Por falar em autonomia, independente da linguagem a ser escolhida, a escolha deve proporcionar agilidade, rapidez na curva de aprendizagem, vasto recurso em termos de bibliotecas e fóruns, multiplataforma e obviamente suprir as necessidades de quem usa.
A partir do mapeamento feito diversas análises espaciais podem ser utilizadas para avaliação, estimativa, predição, interpretação e muito mais, trazendo novas perspectivas e ampliando o número de cenários na tomada de decisões.
Bom, se tu chegaste aqui, agradeço pelo interesse e aproveito para deixar meu muito obrigado e espero que o texto possa ajudar de alguma forma. Até o próximo. Ahh, não esquece de dar uma curtida na postagem. Valeu tchê!