Desmatamento por focos de incêndio no Cerrado e na Amazônia
Lóren Basílio, Enzzo Mendes, Raphael Coelho e Yasmin Bispo
2023-11-21
1. Introdução
O desmatamento e as queimadas no Brasil têm despertado preocupações significativas devido aos impactos adversos que causam nos ecossistemas e nas comunidades dependentes deles. Esses eventos, interligados em muitos casos, são objeto de análises extensivas em nível global, demandando uma compreensão mais profunda e ampla de suas origens e dinâmicas.
Os focos de incêndio associados ao desmatamento no Brasil representam uma preocupação crucial devido aos seus impactos devastadores no meio ambiente e nas comunidades afetadas. Nosso trabalho visa analisar estatisticamente esses eventos, concentrando-se na coleta e análise de dados sobre os focos de incêndio relacionados ao desmatamento.
Ao adentrarmos na investigação estatística desses focos de incêndio, pretendemos explorar hipóteses e tendências subjacentes a esses eventos. Levaremos em consideração variáveis como localização geográfica, sazonalidade, áreas afetadas e possíveis correlações com atividades humanas, tais como práticas agrícolas, urbanização e mudanças climáticas.
Através dessa análise estatística detalhada, buscamos identificar padrões espaciais e temporais nos focos de incêndio relacionados ao desmatamento. Almejamos compreender melhor a dinâmica desses eventos e sua relação direta com a perda de cobertura florestal, contribuindo assim para a formulação de estratégias mais eficazes de prevenção e mitigação.
O objetivo principal é utilizar esses dados para embasar políticas públicas e práticas de conservação, direcionando esforços para áreas prioritárias de preservação, implementação de medidas preventivas mais direcionadas e o acompanhamento contínuo desses focos de incêndio. Essa abordagem visa não apenas à preservação dos ecossistemas afetados, mas também ao fomento de práticas sustentáveis e ao equilíbrio entre desenvolvimento e conservação ambiental no Brasil.
2. Justificativa
A reflexão acerca do aumento das queimadas e desmatamento é urgente e de extrema importância.Os números apresentados pelo Instituto Nacional de Pesquisas Espaciais (Inpe) referentes às queimadas na Amazônia e Cerrado no mês de junho de 2023 são alarmantes, revelando o maior índice de focos de incêndio desse período nos últimos 16 anos.
A magnitude desses eventos, especialmente na Floresta Amazônica, onde foram registrados 3.075 focos de incêndio, é motivo de séria reflexão. Esse número, embora menor do que o recorde de 2007, ainda representa uma preocupante intensificação em comparação ao ano anterior, quando foram contabilizados 2.562 focos. É evidente que medidas de gestão ambiental e prevenção de incêndios precisam ser revistas e fortalecidas para conter essa tendência prejudicial.
É crucial ressaltar que não se trata apenas de um aumento pontual, mas de uma tendência ascendente ao longo do primeiro semestre de 2023 em comparação com o mesmo período do ano anterior. O total de 8.344 focos de incêndio registrados neste semestre representa um crescimento de 10%, sinalizando a urgência de estratégias mais eficazes para preservação desses ecossistemas vitais.
Ao comparar com o ano anterior, o crescimento percentual pode parecer menor, mas a análise mais ampla mostra que, embora haja uma desaceleração em relação ao aumento de 17% observado no primeiro semestre de 2022, ainda estamos longe de reverter a situação. A persistência desse fenômeno exige uma abordagem holística, combinando esforços governamentais, iniciativas da sociedade civil e colaborações internacionais.
O Cerrado brasileiro, embora tenha apresentado um aumento menor em comparação com a Amazônia, não pode ser negligenciado. O crescimento de 5% nos focos de incêndio, passando de 4.239 para 4.472 ocorrências, evidencia a necessidade de atenção especial a esse bioma, considerando sua significativa biodiversidade.
Em face desses desafios, é imperativo que a administração pública adote medidas robustas, como o fortalecimento da fiscalização, investimentos em tecnologias de monitoramento e a implementação de políticas sustentáveis. Além disso, a conscientização da população sobre a importância da preservação ambiental deve ser intensificada, visando uma mudança cultural que promova a coexistência harmoniosa entre o desenvolvimento humano e a conservação dos ecossistemas naturais.
É fundamental destacar a importância estratégica do bioma Cerrado no contexto brasileiro. Este ecossistema, não apenas por sua vastidão, mas também por sua biodiversidade singular, desempenha um papel crucial na preservação da riqueza natural do país. Infelizmente, a grandiosidade do Cerrado tem sido comprometida pelo avanço desenfreado do desmatamento.
O desafio central reside nos três principais fatores que alimentam as chamas no Cerrado: o avanço das atividades agrícolas e agropecuárias, a ação antrópica descontrolada e, em muitos casos, ações criminosas. Todas essas causas estão interligadas à atividade humana, destacando a necessidade de medidas eficazes de gestão e fiscalização.
O avanço do agronegócio tem desencadeado práticas prejudiciais, como o desmatamento, impulsionadas pela demanda do mercado. A remoção da cobertura vegetal é frequentemente seguida pela queima da região, resultando em impactos ambientais significativos. É fundamental reconhecer que, embora tais práticas se configuram como crimes ambientais, a impunidade tem contribuído para sua recorrência, tornando-as quase rotineiras.
A perda da biodiversidade é uma das consequências mais devastadoras das queimadas no Cerrado. A fauna e flora da região, incluindo aves, répteis, peixes, mamíferos e insetos, enfrentam um declínio acentuado. Além do impacto direto sobre a vida selvagem, as queimadas comprometem áreas circundantes, empobrecendo o solo e alterando ciclos naturais essenciais, como o da água.
Da mesma forma, a Amazônia sofre consequências devastadoras das queimadas com a perda da maior reserva de biodiversidade do planeta, comprometendo não apenas ecossistemas terrestres, mas também ambientes aquáticos e o solo. O desmatamento, que muitas vezes precede as queimadas, altera as condições hidrológicas ao aumentar o escoamento da água e a descarga dos rios. A redução da cobertura vegetal diminui a infiltração da água no solo, causando a exportação de sedimentos terrestres para os cursos d’água e transformando as condições morfológicas e biogeoquímicas dos ecossistemas aquáticos.
A saúde humana não escapa dos efeitos nocivos das queimadas. A Organização Mundial de Saúde (OMS) destaca a dependência da saúde de um ambiente saudável. A qualidade do ar comprometida pelas queimadas contribui para o aumento de casos de doenças respiratórias, representando uma ameaça direta à saúde da população.
O desequilíbrio climático resultante das queimadas no Cerrado e Amazônia não apenas afeta as condições meteorológicas locais, mas também contribui para fenômenos de escala global, como o aumento do efeito estufa. A fumaça proveniente desses incêndios não apenas asfixia plantas e animais, mas também introduz uma quantidade significativa de gases prejudiciais no ambiente, ampliando os impactos sobre a saúde humana e o aquecimento global. A emissão de gases como dióxido de carbono (CO2) e metano (CH4) durante as queimadas também cria condições propícias para a ocorrência mais frequente de incêndios de grandes proporções. Este ciclo vicioso, alimentado pelas próprias queimadas, amplifica os desafios ambientais e climáticos que enfrentamos.
3. Metodologia
Metodologia: A metodologia é o estudo dos métodos. Isto é, o estudo dos caminhos para se chegar a um determinado fim. Com o objetivo de analisar as características dos vários métodos indispensáveis tais como: avaliar capacidades, limitações e criticar os pressupostos quanto sua utilização.
Análise Descritiva: Esta é a primeira etapa na análise de dados. Ela inclui cálculos de: 1.1 Medidas de tendência central (como média, mediana, moda) 1.2 Medidas de dispersão (como variância, desvio padrão) 1.3 Criação de gráficos para entender a distribuição dos dados.
Testes de Hipóteses: Será utilizado testes de hipóteses para determinar se as diferenças observadas nos dados são estatisticamente significativas. Por exemplo, utilizar um teste para comparar as médias de desmatamento por vegetação.
Levantamamos as seguintes hipóteses:
1. O desmatamento é um problema local ou um problema geral?
2. O desmatamento é somente da amazonia ou é um problema do cerrado também?
3. O desmatamento é crescente ou decrescente nos biomas?
3.1 Testes Utilizados
Os testes utilizados para validar as hipóteses foram:
Teste de Shapiro Wilk - para ver a normalidade na distribuição dos dados.
Teste de Kruskal-Wallis - para ver se há diferença na distribuição dos dados.
Teste de Comparações Múltiplas de Wilcoxon - para ver a comparação da diferença entre a distribuição dos dados.
Banco de dados:
library(readr)
desmatamentoefogo_2019_2023 = read_delim("C:/Users/loren/Downloads/dashboard-fires-month-01-11-2023-16_11_52.csv",
delim = ";", escape_double = FALSE, trim_ws = TRUE)## Rows: 1671 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (3): date, class, uf
## dbl (1): focuses
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.fogo_x_car_2019_2023 = read_delim("C:/Users/loren/Downloads/dashboard-fires-month-01-11-2023-16_51_48.csv",
delim = ";", escape_double = FALSE, trim_ws = TRUE)## Rows: 2419 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (3): date, class, uf
## dbl (1): focuses
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.desmatamento_amazonia<- read_delim("C:/Users/loren/Downloads/dashboard-fires-month-17-11-2023-14_21_50.csv",
delim = ";", escape_double = FALSE, trim_ws = TRUE)## Rows: 1856 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (3): date, class, uf
## dbl (1): focuses
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.fogo_x_car_amazonia<- read_delim("C:/Users/loren/Downloads/dashboard-fires-month-17-11-2023-13_34_33.csv",
delim = ";", escape_double = FALSE, trim_ws = TRUE)## Rows: 1961 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (3): date, class, uf
## dbl (1): focuses
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Estados=data.frame(sigla=c('AC', 'AL', 'AM', 'AP', 'BA', 'CE', 'DF', 'ES', 'GO', 'MA',
'MG', 'MS', 'MT', 'PA', 'PB', 'PE', 'PI', 'PR', 'RJ', 'RN',
'RO', 'RR','RS', 'SC', 'SE', 'SP', 'TO'),
uf=c("Acre","Alagoas","Amazonas","Amapá","Bahia","Ceará","Distrito Federal", "Espírito Santo","Goiás",
"Maranhão","Minas Gerais","Mato Grosso do Sul","Mato Grosso","Pará","Paraíba",
"Pernambuco","Piauí","Paraná","Rio de Janeiro","Rio Grande do Norte",
"Rondônia","Roraima","Rio Grande do Sul","Santa Catarina","Sergipe","São Paulo","Tocantins"),
regiao=c('Norte','Nordeste','Norte','Norte','Nordeste','Nordeste','Centro-Oeste',
'Sudeste','Centro-Oeste','Nordeste','Sudeste','Centro-Oeste','Centro-Oeste','Norte',
'Nordeste','Nordeste','Nordeste','Sul','Sudeste','Nordeste','Norte',
'Norte','Sul','Sul','Nordeste','Sudeste','Norte'),
cod_ibge =c(12,27,13,16,29,23,53,32,52,21,31,50,51,15,25,26,22,41,33,24,11,
14,43,42,28,35,17))
Estados$uf = toupper(Estados$uf)
library(tidyr)
library(dplyr)##
## Attaching package: 'dplyr'
##
## The following objects are masked from 'package:stats':
##
## filter, lag
##
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondesmatamentoefogo_cerrado = desmatamentoefogo_2019_2023%>% pivot_wider(names_from = class, values_from = focuses)
fogo_x_car_cerrado = fogo_x_car_2019_2023 %>% pivot_wider(names_from = class, values_from = focuses)
cerrado = desmatamentoefogo_cerrado %>% left_join(fogo_x_car_cerrado)## Joining with `by = join_by(date, uf)`cerrado = cerrado %>% rename(vegetacao_primaria = Floresta)
cerrado = cerrado %>% left_join(Estados)## Joining with `by = join_by(uf)`library(tidyr)
desmatamento_amazonia2= desmatamento_amazonia %>% pivot_wider(names_from = class, values_from = focuses)
fogo_x_car_amazonia2 = fogo_x_car_amazonia %>% pivot_wider(names_from = class, values_from = focuses)
amazonia = desmatamento_amazonia2 %>% left_join(fogo_x_car_amazonia2)## Joining with `by = join_by(date, uf)`amazonia = amazonia %>% left_join(Estados)## Joining with `by = join_by(uf)`library(janitor)##
## Attaching package: 'janitor'
##
## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testcerrado = cerrado %>% clean_names()
amazonia = amazonia %>% clean_names()
amazonia = amazonia %>% rename(vegetacao_primaria = floresta)
cerrado = cerrado %>%
mutate(
vegetacao_primaria = coalesce(vegetacao_primaria, 0),
desmatamento_recente = coalesce(desmatamento_recente, 0),
desmatamento_consolidado = coalesce(desmatamento_consolidado, 0),
outros = coalesce(outros, 0),
vegetacao_secundaria = coalesce(vegetacao_secundaria, 0)
)
amazonia = amazonia %>%
mutate(
vegetacao_primaria = coalesce(vegetacao_primaria, 0),
desmatamento_recente = coalesce(desmatamento_recente, 0),
desmatamento_consolidado = coalesce(desmatamento_consolidado, 0),
outros = coalesce(outros, 0),
vegetacao_secundaria = coalesce(vegetacao_secundaria, 0)
)4. Contexto Histórico
4.1 O desmatamento
O desmatamento, caracterizado como a remoção total ou parcial da cobertura vegetal, emerge como um dos dilemas ambientais mais presentes no contexto brasileiro. Apesar de possuir mais de 50% de seu território coberto por florestas, o Brasil testemunhou, entre 1985 e 2019, a preocupante perda de cerca de 10% de sua vegetação nativa, de acordo com o MapBiomas. Tal fenômeno não apenas impacta a biodiversidade, mas também desencadeia desequilíbrios significativos no meio ambiente.
O Brasil, lamentavelmente, figura entre os líderes globais no desmatamento, com a Amazônia sendo uma das regiões mais alarmantes. As taxas crescentes nos últimos anos são indicativos de uma crise ambiental iminente. Dados da Global Forest Watch revelam que o Brasil lidera o ranking mundial de desmatamento florestal, com uma perda aproximada de 1,5 milhão de hectares de bioma nativo em 2021, uma estatística que excede três vezes o índice da segunda colocada, a República do Congo.
A análise histórica é fundamental para compreender as raízes desse problema. O desmatamento no Brasil remonta à colonização em 1500, quando os portugueses, ávidos por recursos naturais, iniciaram a remoção de árvores, notadamente o pau-brasil. A Mata Atlântica, na época do Brasil Colônia, foi severamente afetada, inicialmente devido à sua proximidade ao litoral.
A expansão das atividades econômicas, como o plantio de café e cana-de-açúcar, bem como a Revolução Industrial do século XVIII, agravou o desmatamento, impulsionando a busca por mais terras. A Amazônia, outrora menos impactada, tornou-se alvo de intensificação do desflorestamento com a chegada de outros povos europeus.
A paisagem do país evoluiu com o tempo, refletindo as transformações econômicas e sociais. A mineração e o processo desordenado de ocupação resultaram na perda de vegetação natural para dar lugar a construções. Portanto, é essencial reconhecer a interconexão de fatores históricos, econômicos e sociais que contribuíram para o quadro atual do desmatamento no Brasil.
A globalização, resultante da rápida evolução das comunicações e tecnologias, desencadeou uma intensificação vertiginosa das atividades produtivas e econômicas em escala global. Esse fenômeno, embora tenha impulsionado o frenético mercado global em direção a um constante aperfeiçoamento, também deixou uma trilha visível de impactos ambientais, destacando-se a preocupante explosão agropecuária e agroindustrial.
A busca incessante por eficiência e produtividade no âmbito global tem impulsionado práticas que, infelizmente, exercem pressões significativas sobre o meio ambiente. O desmatamento emerge como uma consequência marcante desse processo, representando uma ameaça substancial às florestas do planeta. A exploração agropecuária e agroindustrial, motivada pela demanda incessante por recursos naturais, coloca em risco ecossistemas valiosos e contribui para a devastação da natureza.
O estado constante de crescimento do mercado global requer uma análise crítica e estratégica. O desafio reside em equilibrar o crescimento econômico com a preservação ambiental, reconhecendo que a exploração descontrolada dos recursos naturais compromete não apenas a biodiversidade, mas também os serviços ecossistêmicos essenciais para a sustentabilidade do planeta.
O desmatamento, em particular, demanda uma atenção especial, pois vai além da mera perda de cobertura vegetal. Ele representa uma ameaça direta à estabilidade climática, à qualidade do solo, à saúde dos ecossistemas e à vida humana. A devastação das florestas compromete a capacidade do planeta de se adaptar às mudanças climáticas, exacerbando os impactos negativos sobre a biodiversidade e o equilíbrio ecológico.
4.2 Queimadas
É crucial abordar a questão das queimadas com uma perspectiva que transcenda a dicotomia entre o natural e o antropogênico, vislumbrando soluções abrangentes que não apenas mitiguem os danos imediatos, mas também abordem as causas profundas desse fenômeno devastador.
A distinção entre queimadas naturais e artificiais oferece uma visão inicial sobre as diversas origens desse problema ambiental. Enquanto as queimadas naturais podem ser desencadeadas por eventos como raios ou condições meteorológicas extremas, as artificiais, influenciadas pelas ações humanas, têm consequências mais diretas sobre o solo, a qualidade do ar e, em última instância, sobre a biodiversidade.
A prática de atear fogo para a limpeza de terrenos, abertura de áreas para agricultura e pastagens, bem como o desmatamento, não apenas compromete a integridade do solo, mas também coloca em risco a segurança humana e a estabilidade ambiental. A negligência em relação às técnicas apropriadas e à gestão adequada dessas queimadas resulta em riscos consideráveis, particularmente quando fagulhas são transportadas pelo vento, desencadeando incêndios incontroláveis.
O Brasil, notadamente nas regiões da Amazônia e do Cerrado, enfrenta uma crise exacerbada de queimadas, impulsionada pela expansão da fronteira agrícola e pelo desmatamento ilegal na Floresta Amazônica. O desequilíbrio entre a preservação ambiental e as demandas do agronegócio reflete um claro descaso em relação à sustentabilidade dos biomas. O impacto é dramático, com a Amazônia perdendo uma área alarmante de cobertura vegetal, equivalente a todo o território chileno, de 1985 até 2018.
5. Análise de Dados
A análise da pesquisa é derivada de um estudo dos incêndios e do desmatamento nos biomas brasileiros da Amazônia e do Cerrado. Nessa pesquisa, iremos trabalhar o desmatamento e seus focos de incêndio para com que validarmos e comprovarmos as hipóteses já antes levantadas. Abaixo, para uma maior compreensão da localidade de certos fatores, há uma mapa das distribuição dos biomas no Brasil.
library(janitor)
cerrado = cerrado %>% clean_names()
library(geobr)## Loading required namespace: sfbiomas = read_biomes(year = 2019)## Using year 2019##
Downloading: 1.2 kB
Downloading: 1.2 kB
Downloading: 2.1 kB
Downloading: 2.1 kB
Downloading: 2.1 kB
Downloading: 2.1 kB
Downloading: 18 kB
Downloading: 18 kB
Downloading: 34 kB
Downloading: 34 kB
Downloading: 43 kB
Downloading: 43 kB
Downloading: 59 kB
Downloading: 59 kB
Downloading: 67 kB
Downloading: 67 kB
Downloading: 67 kB
Downloading: 67 kB
Downloading: 83 kB
Downloading: 83 kB
Downloading: 99 kB
Downloading: 99 kB
Downloading: 99 kB
Downloading: 99 kB
Downloading: 120 kB
Downloading: 120 kB
Downloading: 130 kB
Downloading: 130 kB
Downloading: 140 kB
Downloading: 140 kB
Downloading: 140 kB
Downloading: 140 kB
Downloading: 160 kB
Downloading: 160 kB
Downloading: 160 kB
Downloading: 160 kB
Downloading: 160 kB
Downloading: 160 kB
Downloading: 170 kB
Downloading: 170 kB
Downloading: 170 kB
Downloading: 170 kB
Downloading: 170 kB
Downloading: 170 kB
Downloading: 170 kB
Downloading: 170 kB
Downloading: 190 kB
Downloading: 190 kB
Downloading: 200 kB
Downloading: 200 kB
Downloading: 200 kB
Downloading: 200 kB
Downloading: 220 kB
Downloading: 220 kB
Downloading: 240 kB
Downloading: 240 kB
Downloading: 240 kB
Downloading: 240 kB
Downloading: 260 kB
Downloading: 260 kB
Downloading: 280 kB
Downloading: 280 kB
Downloading: 280 kB
Downloading: 280 kB
Downloading: 290 kB
Downloading: 290 kB
Downloading: 310 kB
Downloading: 310 kB
Downloading: 310 kB
Downloading: 310 kB
Downloading: 330 kB
Downloading: 330 kB
Downloading: 340 kB
Downloading: 340 kB
Downloading: 350 kB
Downloading: 350 kB
Downloading: 350 kB
Downloading: 350 kB
Downloading: 370 kB
Downloading: 370 kB
Downloading: 380 kB
Downloading: 380 kB
Downloading: 380 kB
Downloading: 380 kB
Downloading: 400 kB
Downloading: 400 kB
Downloading: 410 kB
Downloading: 410 kB
Downloading: 410 kB
Downloading: 410 kB
Downloading: 430 kB
Downloading: 430 kB
Downloading: 450 kB
Downloading: 450 kB
Downloading: 450 kB
Downloading: 450 kB
Downloading: 460 kB
Downloading: 460 kB
Downloading: 480 kB
Downloading: 480 kB
Downloading: 490 kB
Downloading: 490 kB
Downloading: 490 kB
Downloading: 490 kB
Downloading: 500 kB
Downloading: 500 kB
Downloading: 520 kB
Downloading: 520 kB
Downloading: 520 kB
Downloading: 520 kB
Downloading: 540 kB
Downloading: 540 kB
Downloading: 550 kB
Downloading: 550 kB
Downloading: 560 kB
Downloading: 560 kB
Downloading: 560 kB
Downloading: 560 kB
Downloading: 570 kB
Downloading: 570 kB
Downloading: 590 kB
Downloading: 590 kB
Downloading: 590 kB
Downloading: 590 kB
Downloading: 590 kB
Downloading: 590 kB
Downloading: 610 kB
Downloading: 610 kB
Downloading: 630 kB
Downloading: 630 kB
Downloading: 630 kB
Downloading: 630 kB
Downloading: 640 kB
Downloading: 640 kB
Downloading: 660 kB
Downloading: 660 kB
Downloading: 670 kB
Downloading: 670 kB
Downloading: 670 kB
Downloading: 670 kB
Downloading: 680 kB
Downloading: 680 kB
Downloading: 700 kB
Downloading: 700 kB
Downloading: 710 kB
Downloading: 710 kB
Downloading: 710 kB
Downloading: 710 kB
Downloading: 720 kB
Downloading: 720 kB
Downloading: 740 kB
Downloading: 740 kB
Downloading: 740 kB
Downloading: 740 kB
Downloading: 760 kB
Downloading: 760 kB
Downloading: 770 kB
Downloading: 770 kB
Downloading: 770 kB
Downloading: 770 kB
Downloading: 790 kB
Downloading: 790 kB
Downloading: 800 kB
Downloading: 800 kB
Downloading: 810 kB
Downloading: 810 kB
Downloading: 810 kB
Downloading: 810 kB
Downloading: 830 kB
Downloading: 830 kB
Downloading: 840 kB
Downloading: 840 kB
Downloading: 840 kB
Downloading: 840 kB
Downloading: 860 kB
Downloading: 860 kB
Downloading: 880 kB
Downloading: 880 kB
Downloading: 880 kB
Downloading: 880 kB
Downloading: 880 kB
Downloading: 880 kB
Downloading: 900 kB
Downloading: 900 kB
Downloading: 920 kB
Downloading: 920 kB
Downloading: 920 kB
Downloading: 920 kB
Downloading: 930 kB
Downloading: 930 kB
Downloading: 950 kB
Downloading: 950 kB
Downloading: 960 kB
Downloading: 960 kB
Downloading: 960 kB
Downloading: 960 kB
Downloading: 970 kB
Downloading: 970 kB
Downloading: 990 kB
Downloading: 990 kB
Downloading: 990 kB
Downloading: 990 kB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.1 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.2 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.3 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.4 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.5 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.6 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.7 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.8 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 1.9 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.1 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.2 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.3 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.4 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.5 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.6 MB
Downloading: 2.7 MB
Downloading: 2.7 MB
Downloading: 2.7 MB
Downloading: 2.7 MB
Downloading: 2.7 MB
Downloading: 2.7 MBlibrary(ggplot2)
ggplot(biomas) +
geom_sf(aes(fill=name_biome))+
geom_sf_label(aes(label = name_biome))+
scale_fill_manual(values = c("darkgreen", "orange", "yellow", "#86e374","#7b8cc9","#a667a4","darkblue")) +
theme_minimal()## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data
Com o objetivo de dar uma maior entendimento da pesquisa, é necessário saber alguns termos e seus significados:
Desmatamento Recente: base de dados PRODES agregando o desmatamento do ano de 2019, 2020 e 2021 e adicionando os dados de desmatamento do DETER entre 01 de agosto de 2021 e o último mês para o qual os dados já estejam completos.
Desmatamento Consolidado: base de dados PRODES agregando todo o desmatamento já mapeado até o ano de 2018, usado para classificação a partir de novembro de 2022.
Vegetação Primária: a vegetação primária, é denominada pioneira, pois tem o objetivo de fertilizar o solo e dar base para o surgimento de nova vegetação. Esse tipo de vegetação é enquadrada em outros.
Vegetação Secundária: vegetação secundária são aquelas cujo tem formações herbáceas, arbustivas ou arbóreas decorrentes de processos naturais de sucessão. Essa pode ocorrer após a supressão total ou parcial da vegetação original por ações antrópicas ou causas naturais.
A partir desses termos, será possível uma maior compreensão e clareza na hora da análise, pois assim, a comunicação entre o leitor e o interlocutor será transparente. Todos esses termos se referem á análise do banco de dados do Cerrado e da Amazônia.
5.1 Cerrado
O Cerrado é considerado o segundo maior bioma da América do Sul e o segundo maior bioma do Brasil. É conhecido como savana brasileira e possui uma grande biodiversidade.
5.1.1 Desmatamento x Focos de Incêndio
mean(cerrado$vegetacao_primaria)## [1] 214.5838sd(cerrado$vegetacao_primaria)## [1] 447.0985A média em relação aos focos de incêndio da Vegetação Primária do Cerrado é de 214.58 e seu desvio padrão é de 447.09. O desvio padrão é quase o dobro da média. Em números absolutos não há uma disparidade muita grande, porém ainda assim, nota-se uma tedência na variabilidade de elementos no tópico “Vegetação Primária” do banco de dados do Cerrado.
mean(cerrado$vegetacao_secundaria)## [1] 4.80226sd(cerrado$vegetacao_secundaria)## [1] 24.45868Por outro lado, sobre a Vegetação Secundária, nota-se que a média, em comparação com à acima, é bastante inferior, com valor de 4.8 focos de incêndio no segundo tipo de vegetação. Porém, analisando o seu desvio padrão, é possível notar que é um valor bastante alto em compação a média (quase 5 vezes maior). Esse valor mostra uma alta variabilidade de focos presentes nessa variável, demonstrando que há valores elevados isolados dentro da Vegetação Secundária, ou seja, com alto número de focos de incêndio.
mean(cerrado$desmatamento_consolidado)## [1] 200.919sd(cerrado$desmatamento_consolidado)## [1] 335.0444Logo acima, há a média e o desvio padrão dos focos de incêndio na variável de “Desmatamento Consolidado”. A média é de 200.9 focos por desmatamento e que seu desvio padrão é de 335.04. Esses dados demonstram pouca variância de informações umas com as outras e que antes do período da pesquisa, em 2019, a taxa de desmatamento através de focos de incêndio já era alta.
mean(cerrado$desmatamento_recente)## [1] 78.67232sd(cerrado$desmatamento_recente)## [1] 151.4832Se tratando de dados mais recentes, temos sobre o período estudado, mais propriamente. Notamos que sua média é de 78.67 focos de incêndio por local e que seu desvio padrão, ou seja, sua variância, é de 151.48. Em relação com os dados anterior a pesquisa, podemos notar que esse valor (tanto média quanto desvio padrão) é bem menor e que apesar de nos últimos anos, termos sofrido com milhares de incêndio ao redor do mundo, em relação ao cerrado, vimos que esse número diminuiu em comparação com o já visto.
Depois de calcularmos a média e o desvio padrão das variáveis, vamos utilizar do gráfico denominado boxplot. O gráfico boxplot é usada para analisar uma relação entre variáveis qualitativas e quantitativas.
library(dplyr)
library(janitor)
Estados$uf = iconv(Estados$uf, "latin1", "UTF-8")
cerrado <- cerrado[complete.cases(cerrado$regiao), ]
boxplot(cerrado$desmatamento_recente~cerrado$regiao, col=c("darkgreen","brown","darkblue","purple"), main="Boxplot: Desmatamento recente por Regiões no Cerrado", xlab = "Região", ylab= "Desmatamento Recente")
Ao analisarmos o gráfico nota-se a presença de outliers em quase todas as regiões, seja muito afastado do último quartil ou relativamente perto. Ademais, observa-se que, em relação aos desmatamentos por incêndios, as regiões do Centro-Oeste de do Sudeste tem valores similares, principalmente em suas medianas. Além do mais, nota-se que, apesar de não ter outliers, o desmatamento na região Norte é alto, principalmente no último quartil, em que valores ultrapassam outliers presentes no Centro-Oeste. Esse valor alto representa um desmatamento por focos de incêndio em crecimento acelerado na região Norte em comparação com as outras regiões do Brasil.
library(treemap)
treemap(cerrado,index='regiao',vSize='desmatamento_recente',palette="RdYlGn")
Através do Treemap é possível analisar que a maior concentração de desmatamento se constitui na região Nordeste do Brasil, com logo em seguida o Centro-Oeste, Norte e Sudeste, respectivamente. O desmatamento no Nordeste é maior do que todas as outras juntas. Isso releva que a região vive em um estado de alerta acerca dos focos de incêndio e toda a área que ele está devastando. É mais da metade de uma área desmatada em compração com todo o resto do país.
5.2 Amazônia
5.2.1 Desmatamento x Focos de Incêndio
Depois de analisarmos o desmatamento por focos de incêndio no Cerrado, vamos realizar a análise da Amazônia. Sobre a Amazônia, A Amazônia é um importante bioma com território que corresponde a 6,9 milhões de km² e abrange nove países: Brasil, Bolívia, Colômbia, Equador, Venezuela, Guiana, Guiana Francesa, Peru, Suriname. A parte brasileira equivale a 4.196.943 km², sendo o maior bioma brasileiro. Além do seu vasto território, outra característica que impressiona é a sua biodiversidade. Na Amazônia existem cerca de 2500 espécies de árvores e de 30 mil espécies de plantas, das 100 mil existentes em toda a América do Sul. Dado seu tamanho, vamos examinar apenas a parte situada no território brasileiro.
Seguindo o modelo do Cerrado, vamos verificar as médias e desvio. O intuito da verificação da média e desvio padrão é ver a variabilidade dos elementos, se é muita alta ou mais próxima da média.
mean(amazonia$vegetacao_primaria)## [1] 142.9683sd(amazonia$vegetacao_primaria)## [1] 416.4729A média e o desvio padrão observado em relação ao desmatamento por focos de incêndio na amazônia é de 142.98 e 416.47, respectivamente. A média demonstra que há uma taxa alta de desmatamento na vegetação primária presente na Amazônia. Seu desvio padrão demonstra a variabilidade de informações, que na qual é distante da média e mais do que o dobro dela.
mean(amazonia$vegetacao_secundaria)## [1] 83.24661sd(amazonia$vegetacao_secundaria)## [1] 181.3872Em relação a vegetação primária, a vegetação secundária é bem menor, com valores de média e desvio padrão de 83.24 e 181.38. São valores relativamente altos e o desvio padrão é mais do que o dobro da média, desmonstrando uma variabilidade considerável de informações.
mean(amazonia$desmatamento_consolidado)## [1] 283.6222sd(amazonia$desmatamento_consolidado)## [1] 564.812Bom, a média do desmatamento consolidado é de 283.62 e seu desvio padrão é de 564.81. A média de desmatamento é novamente alto e sua varibilidade também. Novamente temos o dobro no valor de desvio padrão, não só demonstrando valores altos, mas também, a alta variabilidade de informações.
mean(amazonia$desmatamento_recente)## [1] 447.1787sd(amazonia$desmatamento_recente)## [1] 1108.867A média do desmatamento recente e seu desvio padrão é de 447.17 e 1108.86, respectivamente. No desmatamento recente temos a maior média registrada e um desvio padrão elevadissímo. Tais dados revelam que nos últimos 3 anos, a amazônia teve a maior média de desmatamento já visto antes, além de ter uma alta varibilidade de informações, com focos de incêndio que ultrapassam mil.
boxplot(amazonia$desmatamento_recente~amazonia$regiao, col=c("darkgreen","brown","darkblue","purple"), main="Boxplot: Desmatamento recente por Regiões na Amazônia", xlab = "Região", ylab= "Desmatamento Recente")
No gráfico boxplot analisando o desmatamento recente, é possível notar que há muitos outliers presente na região Norte e Centro-Oeste. Porém, é na região Norte que encontramos a maior taxa de desmatamento, com outliers que chegam a 8.000 focos de incêndio em um só período, em partes pode ser justificado porque o bioma amazônico se localiza principalemente lá, porém, ainda assim, é um número assustador. Na região Nordeste tem valores baixos de taxa de desmatamento por incêndio, isso pois tem pouca proporção do bioma amazõnia em sua localidade. No Centro-Oeste, encontra-se valores fora do comum ou esperado pela localidade
library(treemap)
treemap(amazonia,index='regiao',vSize='desmatamento_recente',palette="RdYlGn")
No treemap do desmatamento recente vemos que a região Norte, é a principal região afetada pelo desmatamento. Praticamente 3/4 do desmatamento na amazônia se concentrou na região norte.
5.3 Teste de Hipóteses
Os testes de hipóteses são, basicamente, uma metodologia estatística que nos auxilia a tomar decisões sobre uma ou mais populações baseado na informação obtida da amostra. Nós utilizamos os seguintes testes: Shapiro-Wilk, que tem como objetivo avaliar se uma distribuição é semelhante a uma distribuição normal e Kruscal-Wallis é um teste não paramétrico utilizado na comparação de três ou mais amostras independentes. Ele nos indica se há diferença entre pelo menos dois deles.
5.3.1 Cerrado
Primeiramente, no Cerrado, trabalhamos com as variáveis quantitativas desmatamento recente e desmatamento consolidado e a variável qualitativa chamada regiao. Nela foi testado o teste de normalidade, ou denominado também como Shapiro-Wilk. Antes de ser realizado, é necessário fazer alguns parâmetros:
A distribuição normal seria uma distribuição em formato de sino.
Hipótese testada: Alguma região tem maior tedência de desmatamento recente?
H0: os dados seguem uma distribuição normal.
H1: os dados não seguem uma distribuição normal.
alpha= 0,05
Se pvalor <= alpha, Rejeita H0
Se pvalor > alpha, Não Rejeita H0
options(scipen = 999)
shapiro.test(cerrado$desmatamento_recente)##
## Shapiro-Wilk normality test
##
## data: cerrado$desmatamento_recente
## W = 0.55384, p-value < 0.00000000000000022shapiro.test(cerrado$desmatamento_consolidado)##
## Shapiro-Wilk normality test
##
## data: cerrado$desmatamento_consolidado
## W = 0.59269, p-value < 0.00000000000000022O teste apontou um pvalor no desmatamento recente menor do que alpha, dessa forma, há rejeição da hipotése H0 (que os dados tem uma distribuição normal). Logo, quando há uma rejeição do H0, utilizamos o H1, que expressa que a distribuição dos dados é diferente (sem o formato de sino). Com isso, concluímos que o desmatamento recente não tem uma distribuição normal, assim como o desmatamento consolidado que tem o mesmo valor.
Em seguida, vamos analisar o teste de Kruskal-Wallis. Nesse teste, o objetivo é determinar se as medianas de dois ou mais grupos diferem.
H0: os desmatamentos tem distribuições iguais nas regiões.
H1: os desmatamentos tem distribuição diferente em pelo menos uma região.
alpha: 0,05.
kruskal.test(cerrado$desmatamento_recente ~ cerrado$regiao)##
## Kruskal-Wallis rank sum test
##
## data: cerrado$desmatamento_recente by cerrado$regiao
## Kruskal-Wallis chi-squared = 176.58, df = 4, p-value <
## 0.00000000000000022kruskal.test(cerrado$desmatamento_consolidado ~ cerrado$regiao)##
## Kruskal-Wallis rank sum test
##
## data: cerrado$desmatamento_consolidado by cerrado$regiao
## Kruskal-Wallis chi-squared = 75.549, df = 4, p-value =
## 0.000000000000001525O pvalor do desmatamento recente e do desmatamento consolidado deu, respectivamente, 0.00000000000000022 e 0.000000000000001525. Ambos os valores são menores que alpha, logo rejeita H0 e confirma-se que os valores dos desmatamentos tem distribuições diferentes. Como os desmatamentos tem diferença em pelo menos em uma das regiões, é realizado o Teste de Comparações Múltiplas de Wilcoxon. Nele, é mostrado a diferenciação entre as regiões do país acerca dos desmatamentos.
pairwise.wilcox.test(cerrado$desmatamento_consolidado, cerrado$regiao)##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: cerrado$desmatamento_consolidado and cerrado$regiao
##
## Centro-Oeste Nordeste Norte
## Nordeste 1 - -
## Norte 1 1 -
## Sudeste 1 1 1
## Sul 0.0000000000000012 < 0.0000000000000002 0.0000006022233627
## Sudeste
## Nordeste -
## Norte -
## Sudeste -
## Sul 0.0000000000000023
##
## P value adjustment method: holmNo teste sobre o desmatamento consolidado observado, vemos que as regiões Nordeste e Centro-Oeste tem valores (pvalor) maiores do que alpha, logo não há evidências suficientes para rejeitar a hipótese nula. Confirmando que eles tem distribuições iguais. Em relação entre as comparações de Norte e Centro-Oeste (0.0210), e entre Norte e Nordeste (0.0063), ambos os p-valores são menores que 0.05, indicando evidências significativas para rejeitar a hipótese nula, logo, tem distribuições diferentes para as regiões. O que acontece a mesma coisa com as regiões Sudeste e Nordeste (0.0210), em que o p-valor é menor que 0.05, indicando uma diferença estatisticamente significativa.
pairwise.wilcox.test(cerrado$desmatamento_recente, cerrado$regiao)##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: cerrado$desmatamento_recente and cerrado$regiao
##
## Centro-Oeste Nordeste Norte
## Nordeste 0.0000000000000064 - -
## Norte 0.0044 0.0543 -
## Sudeste 0.0000125720476424 < 0.0000000000000002 0.0000007821081124
## Sul 0.0000000000001510 < 0.0000000000000002 0.0000000001478776
## Sudeste
## Nordeste -
## Norte -
## Sudeste -
## Sul 0.0000003292181574
##
## P value adjustment method: holmEm relação ao desmatamento recente, nas análises das regiões Nordeste vs. Centro-Oeste e Norte vs. Centro-Oeste, os pvalores são muitos baixos em relação ao alfa, indicando que há evidências estatisticamente significativas para rejeitar a hipótese nula. Portanto, há diferenças significativas nas medianas de desmatamento recente entre essas regiões. Nas comparações das regiões Norte vs. Nordeste, Sudeste vs. Centro-Oeste, Nordeste e Norte, os valores são maiores que aplha (0,05), portanto, não podemos concluir que há diferenças significativas nas medianas de desmatamento recente entre Nordeste e Centro-Oeste, Norte e Centro-Oeste, Sudeste e Centro-Oeste, Sudeste e Nordeste ou Sudeste e Norte.
5.3.2 Amazônia
A mesma coisa relatada para o Cerrado, vai ser utilizado pela Amazônia também. Vamos realizar o teste de Shapiro para ver se há uma distribuição normal e logo em seguida, o teste de Kruskal para saber se as distribuições são iguais ou diferentes
Shapiro teste: H0: os dados seguem uma distribuição normal.
H1: os dados não seguem uma distribuição normal.
alpha= 0,05
Se pvalor <= alpha, Rejeita H0
Se pvalor > alpha, Não Rejeita H1
shapiro.test(amazonia$desmatamento_recente)##
## Shapiro-Wilk normality test
##
## data: amazonia$desmatamento_recente
## W = 0.46217, p-value < 0.00000000000000022shapiro.test(amazonia$desmatamento_consolidado)##
## Shapiro-Wilk normality test
##
## data: amazonia$desmatamento_consolidado
## W = 0.54386, p-value < 0.00000000000000022O valor do teste foi de 0.00000000000000022, dessa forma, sendo menor do que o alpha. Assim, rejeitando H0, demonstrando que os dados não seguem uma distribuição normal.
Logo em seguida, há o teste de Kruskal-Wallis.
H0: os desmatamentos tem distribuições iguais nas regiões.
H1: os desmatamentos tem distribuição diferente nas regiões.
alpha: 0,05.
kruskal.test(amazonia$desmatamento_recente ~ amazonia$regiao)##
## Kruskal-Wallis rank sum test
##
## data: amazonia$desmatamento_recente by amazonia$regiao
## Kruskal-Wallis chi-squared = 45.423, df = 2, p-value = 0.000000000137kruskal.test(amazonia$desmatamento_consolidado~ amazonia$regiao)##
## Kruskal-Wallis rank sum test
##
## data: amazonia$desmatamento_consolidado by amazonia$regiao
## Kruskal-Wallis chi-squared = 58.235, df = 2, p-value =
## 0.0000000000002261Os valores do teste de Kruskal, sobre o desmatamento recente e desmatamento consolidado, foi 0.000000000137 e 0.0000000000002261, respectivamente. Novamente, rejeitamos H0, demonstrando que os valores tem uma distribuição diferentes. Como visto no Cerrado, por terem distribuições diferentes, é preciso fazer o Teste de Comparações Múltiplas de Wilcoxon.
pairwise.wilcox.test(amazonia$desmatamento_consolidado, amazonia$regiao)##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: amazonia$desmatamento_consolidado and amazonia$regiao
##
## Centro-Oeste Nordeste
## Nordeste 0.00000148898218 -
## Norte 0.00000000000024 0.054
##
## P value adjustment method: holmNa comparação entre Nordeste vs Centro-Oeste e Norte vs Centro-Oeste, os valores de pvalor são muito baixos, logo, rejeitando a hipótese nula e mostrando que há diferenças significativas nas medianas de desmatamento consolidado entre essas regiões. Em relação as regiões Norte vs. Nordeste: O p-valor é 0.054, que é maior que 0.05. Neste caso, não há evidências suficientes para rejeitar a hipótese nula. Assim, não podemos concluir que há diferenças significativas nas medianas de desmatamento consolidado entre Norte e Nordeste.
pairwise.wilcox.test(amazonia$desmatamento_recente, amazonia$regiao)##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: amazonia$desmatamento_recente and amazonia$regiao
##
## Centro-Oeste Nordeste
## Nordeste 0.000000000017 -
## Norte 0.000000000879 0.5
##
## P value adjustment method: holmNas regiões Nordeste vs. Centro-Oeste e Norte vs. Centro-Oeste, os valores de pvalor são extremamente baixos, assim, rejeitando a hipótese nula entre as regiões. Portanto, as distribuições de desmatamento recente são diferentes entre essas regiões. Já na comparação entre as regiões Norte vs. Nordeste, o p-valor é 0.5, que é maior que 0.05. Neste caso, não há evidências suficientes para rejeitar a hipótese nula. Assim, não podemos concluir que há diferenças significativas nas medianas de desmatamento recente entre Norte e Nordeste.
5.4 Análise Final
Nessa análise final, trabalhamos com a taxa de crescimento do desmatamento na Amazônia e no Cerrado.
cerrado$crescimento = (cerrado$desmatamento_recente/cerrado$desmatamento_consolidado)
amazonia$crescimento = (amazonia$desmatamento_recente/amazonia$desmatamento_consolidado)
amazonia_sem_RO = amazonia %>% filter(crescimento<10)
cerrado_sem_RO = cerrado %>% filter(crescimento<10)
par(cex=0.6)
shapiro.test(cerrado_sem_RO$crescimento)##
## Shapiro-Wilk normality test
##
## data: cerrado_sem_RO$crescimento
## W = 0.74293, p-value < 0.00000000000000022shapiro.test(amazonia_sem_RO$crescimento)##
## Shapiro-Wilk normality test
##
## data: amazonia_sem_RO$crescimento
## W = 0.79779, p-value < 0.00000000000000022Sob as mesmas análises utilizadas anteriormentes, o pvalor deu 0.00000000000000022 para ambos. Dessa forma, rejeitando H0 e demonstrando que os dados não tem uma distribuição normal.
kruskal.test(cerrado_sem_RO$crescimento ~ cerrado_sem_RO$regiao)##
## Kruskal-Wallis rank sum test
##
## data: cerrado_sem_RO$crescimento by cerrado_sem_RO$regiao
## Kruskal-Wallis chi-squared = 337.01, df = 4, p-value <
## 0.00000000000000022kruskal.test(amazonia_sem_RO$crescimento ~ amazonia_sem_RO$regiao)##
## Kruskal-Wallis rank sum test
##
## data: amazonia_sem_RO$crescimento by amazonia_sem_RO$regiao
## Kruskal-Wallis chi-squared = 31.359, df = 2, p-value = 0.000000155Na realização do teste, os valores de pvalor deram 0.00000000000000022 para o cerrado e 0.000000155 para a amazônia. Dessa forma, rejeitando H0 e demonstrando que a taxa de crescimento do desmatamento tem valores diferentes.
Por fim, iremos realizar o Gráfico Boxplot para ver a taxa de crescimento do desmatamento por estados no Brasil.
par(cex=0.6)
boxplot(cerrado_sem_RO$crescimento ~ cerrado_sem_RO$uf, main="Boxplot: Crescimento do desmatamento do Cerrado por estados no Brasil", xlab = "Estados", ylab= "Desmatamento")
Através do gráfico, é possível extrair certas informações. A primeira delas é, a Bahia apresenta a maior taxa de crescimento dos desmatamento do Cerrado registrada. Ela com outliers altissímos e quanto mais perto de 10, mais preocupante é a situação. Mas tal fato demonstra que há uma banalização do desmatamento na Bahia, que apesar de ter uma alta taxa de crescimento, não recebe as devidas medidas para conter o avanço. Logo em seguida, há o Maranhão, que tem alta taxa de crecimento assim como a Bahia. Em segui da Piauí e Tocantins. Todos são lugares predominantemente ocupados pelo bioma Cerrado.
par(cex=0.6)
boxplot(amazonia_sem_RO$crescimento ~ amazonia_sem_RO$uf, main="Boxplot: Crescimento do desmatamento na Amazônia por estados no Brasil", xlab = "Estados", ylab= "Crescimento do desmatamento")
Na amazônia, nota-se que a maioria dos estados apresenta uma taxa alta de crescimento do desmatamento, em especial no Acre, no Amazônas, Roraima e Rondônia, Na amazônia e algunns estados há a presença de outliers altos, como Rodônia e Amazonas. Assim como visto na Bahia, esse crescimento, em um período de 3 anos, é assustador. São números altos que precisam de intervenção estatal para diminuir os impactos desses incêndios.
6. Conclusão
Após a análise dos dados fica nítido que a problemática das queimadas não se restringe apenas a região amazônica, como propagado pelo senso comum. É nítido o avanço das queimadas por todo território nacional, especialmente na região nordeste.
Num cenário onde o combate às queimadas se tornou uma pauta de urgência no Brasil, é imperativo que as políticas públicas adotem uma abordagem abrangente e inclusiva, contemplando todas as regiões do país. O desafio das queimadas não é exclusivo de uma área específica, e suas consequências impactam de maneira indiscriminada, afetando ecossistemas, biodiversidade e, consequentemente, a qualidade de vida das populações.
É necessário fomentar o envolvimento com as comunidades locais no desenvolvimento e implementação de estratégias. Ao considerar os conhecimentos tradicionais dessas comunidades, é possível criar soluções mais eficazes e sustentáveis. A valorização do saber local não apenas empodera as populações, mas também agrega uma dimensão cultural às ações de preservação ambiental.
Incentivar a participação ativa das comunidades na preservação ambiental não apenas fortalece o sentimento de pertencimento, mas também garante uma implementação mais eficiente das estratégias. Isso ocorre porque as comunidades locais têm um entendimento íntimo do seu ambiente e, muitas vezes, possuem práticas ancestrais que podem contribuir significativamente para a prevenção e combate às queimadas.
Para colocar em prática essas propostas, é fundamental estabelecer mecanismos de diálogo entre os órgãos governamentais, organizações não governamentais e as próprias comunidades. A criação de fóruns de discussão, audiências públicas e a participação ativa em processos decisórios garantem que as estratégias adotadas sejam inclusivas e levem em conta as especificidades de cada região.
Além disso, a implementação de programas de capacitação e educação ambiental nas comunidades é uma ferramenta essencial. Ao fornecer conhecimentos técnicos e científicos sobre os impactos das queimadas e as práticas sustentáveis de manejo do meio ambiente, as comunidades estarão mais preparadas para atuar na prevenção e mitigação dos incêndios.
O desafio das queimadas no Brasil só será superado com uma abordagem coletiva e descentralizada. Portanto, é fundamental que todas as regiões do país recebam a devida atenção nas políticas públicas, promovendo a inclusão social, o respeito à diversidade cultural e a preservação ambiental. Somente assim será possível construir um futuro mais sustentável e resiliente para as gerações presentes e futuras.
7. Bibliografia
(http://terrabrasilis.dpi.inpe.br/queimadas/portal/)
(https://www.embrapa.br/codigo-florestal/area-de-reserva-legal-arl/modulo-fiscal)
(Luis Maurano; Maria Isabel Sobral Escada; André Fernando Araújo de Carvalho. AVALIAÇÃO DO DESMATAMENTO DO PRODES CERRADO NOS IMÓVEIS DO CAR. In: ANAIS DO XX SIMPóSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 2023, Florianópolis. Anais eletrônicos… São José dos Campos, INPE, 2023. Disponível em: <https://proceedings.science/sbsr-2023/trabalhos/avaliacao-do-desmatamento-do-prodes-cerrado-nos-imoveis-do-car?lang=pt-br Acesso em: 25 nov. 2023.)
(Brasil. DECRETO Nº 7.830, de 17 de outubro de 2012. Disponível em <http://www.planalto.gov.br/ccivil_03/_Ato2011- 2014/2012/Decreto/D7830.htm>)
(Brasil. LEI Nº 12.651, de 25 de maio de 2012. Disponível em <http://www.planalto.gov.br/ccivil_03/_ato2011- 2014/2012/lei/l12651.htm>)
SANT’ANNA, Emilio. Amazônia e Cerrado registraram em junho o maior número de queimadas desde 2007. ESTADÃO,2023. Disponível em: https://www.estadao.com.br/sustentabilidade/amazonia-e-cerrado-registram-em-junho-o-maior-numero-de-queimadas-desde-2007/)
(BRASIL. Cadastro Ambiental Rural (CAR) - Governo Federal. Disponível em: https://www.gov.br/pt-br/servicos/inscrever-imovel-rural-no-cadastro-ambiental-rural-car#:~:text=O%20Cadastro%20Ambiental%20Rural%20%E2%80%93%20CAR,econ%C3%B4mico%20e%20combate%20ao%20desmatamento.)
(MAPBIOMAS. Perda de vegetação nativa no Brasil acelerou na última década. Disponível em: https://brasil.mapbiomas.org/2023/08/31/perda-de-vegetacao-nativa-no-brasil-acelerou-na-ultima-decada/.)
(GLOBAL FOREST WATCH. Disponível em: https://www.globalforestwatch.org/.)