Análise incêndios florestais
Gustavo Borges Caires
2025-04-09
Análise de dados sobre incêndios florestais no Brasil
Os incêndios florestais são um grave problema para a preservação das Florestas Tropicais. Compreender a frequência de incêndios florestais em uma série temporal pode ajudar a tomar medidas para evitá-los. O Brasil tem a maior floresta tropical do planeta que é a floresta amazônica.
Informações sobre as variáveis
year: ano do registro.
state: estado brasileiro.
month: mês do registro (em português).
number: número de focos de incêndio.
date: data correspondente ao início do mês/ano.
# Carregamento dos pacotes necessários:
library(tidyverse)
# Carregamento da base de dados:
dados <- read.csv("C:\\Users\\tiran\\OneDrive\\Área de Trabalho\\Dados_Indendio.csv")
# Visualização inicial na base de dados:
head(dados)## year state month number date
## 1 1998 Acre Janeiro 0 1998-01-01
## 2 1999 Acre Janeiro 0 1999-01-01
## 3 2000 Acre Janeiro 0 2000-01-01
## 4 2001 Acre Janeiro 0 2001-01-01
## 5 2002 Acre Janeiro 0 2002-01-01
## 6 2003 Acre Janeiro 10 2003-01-01# Verificação de dados nulos:
sum(is.na(dados))## [1] 0# Estatística Descritiva Básica:
summary(dados)## year state month number
## Min. :1998 Length:6454 Length:6454 Min. : 0.0
## 1st Qu.:2002 Class :character Class :character 1st Qu.: 3.0
## Median :2007 Mode :character Mode :character Median : 24.0
## Mean :2007 Mean :108.3
## 3rd Qu.:2012 3rd Qu.:113.0
## Max. :2017 Max. :998.0
## date
## Length:6454
## Class :character
## Mode :character
##
##
## # Contar valores únicos de todas as colunas:
sapply(dados, function(x) length(unique(x)))## year state month number date
## 20 23 12 1479 20Total de queimadas por ano
# Análise de incendios por ano:
incendios_ano <- dados %>%
group_by(year) %>%
summarise(total_incendios = sum(number)) %>%
arrange(desc(total_incendios))
# Exibindo:
incendios_ano## # A tibble: 20 × 2
## year total_incendios
## <int> <dbl>
## 1 2003 42761.
## 2 2016 42212.
## 3 2015 41208.
## 4 2012 40085.
## 5 2014 39621.
## 6 2009 39117.
## 7 2004 38453.
## 8 2002 37391.
## 9 2010 37037.
## 10 2017 36686.
## 11 2013 35146.
## 12 2005 35005.
## 13 2011 34634.
## 14 2006 33832.
## 15 2007 33037.
## 16 2008 29379.
## 17 2001 29072.
## 18 2000 27351.
## 19 1999 26883.
## 20 1998 20014.# Vamos plotar um gráfico para uma visualização mais detalhada:
incendios_ano %>%
ggplot(aes(x = year, y = total_incendios)) +
geom_line(color = "red") +
labs(title = "Número de incendios ao longo do tempo",
x= "Ano",y= "Número de incendios"
)
Comentários: Podemos observar tanto pelo gráfico quanto pela tabela que o ano de 2003 foi o ano com maior número de incendios.
Descobrimos que o ano de 2003 foi o ano com maior número de incendios, que tal agora descobrirmos qual foi o mes com maior número de incendios ?
incendios_mes <- dados %>%
group_by(month) %>%
summarise(total_incendios = sum(number,na.rm = TRUE)) %>%
arrange(desc(total_incendios))
incendios_mes## # A tibble: 12 × 2
## month total_incendios
## <chr> <dbl>
## 1 Julho 92326.
## 2 Outubro 88682.
## 3 Agosto 88050.
## 4 Novembro 85508.
## 5 Setembro 58578.
## 6 Dezembro 57535.
## 7 Junho 56011.
## 8 Janeiro 47748.
## 9 Maio 34731.
## 10 Fevereiro 30848.
## 11 Mar�o 30717.
## 12 Abril 28189.# Visualização:
# Converter o mês para fator ordenado pela soma:
meses_ordem <- c("Janeiro", "Fevereiro", "Março", "Abril", "Maio", "Junho",
"Julho", "Agosto", "Setembro", "Outubro", "Novembro", "Dezembro")
incendios_mes$month <- factor(incendios_mes$month, levels = meses_ordem)
# Criando um gráfico de barras para visualização:
incendios_mes %>%
ggplot(aes(x = month, y = total_incendios,fill = month)) +
geom_bar(stat = "identity",color = "black") + labs(title = "Total de Incêndios por Mês", x = "Mês", y = "Total de Incêndios") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Comentários: Podemos observar facilmente com o gráfico de barras que os meses com maior número de incendios são: Julho, Agosto, outubro e novembro.
Quais foram os 5 estados com mais queimadas em todo o período?
incendios_estado <- dados %>%
group_by(state) %>%
summarise(total_incendios = sum(number, na.rm = TRUE)) %>%
arrange(desc(total_incendios)) %>%
head(5)
incendios_estado## # A tibble: 5 × 2
## state total_incendios
## <chr> <dbl>
## 1 Mato Grosso 96246.
## 2 Paraiba 52436.
## 3 Sao Paulo 51121.
## 4 Rio 45161.
## 5 Bahia 44746.incendios_estado %>%
ggplot(aes(x = state, y = total_incendios,fill=state)) +
geom_col(color="black") +
labs("Top 5 estados com maior número de incendios",
x = "Estado",
y = "Número de incendios")
Comentários: Conseguimos encontrar que os estados que estão tendo um maior número de incendios são: Mato Grosso, Paraiba e são paulo. Tendo Mato Grosso com um maior destaque. Mas será que o Mato Grosso tem um destaque grande assim ao longo de todo o período ? Vamos descobrir isso na próxima análise ao longo do tempo.
Vamos fazer uma observação agora ao longo do tempo e descobrir a evolução do número de queimadas dos 10 estados com maior número de queimadas!
# os 10 estados com mais queimadas no total:
top10_estados_queimadas <- dados %>%
group_by(state) %>%
summarise(total_queimadas = sum(number, na.rm = TRUE)) %>%
arrange(desc(total_queimadas)) %>%
head(10)
# Filtrar os dados apenas para esses estados
dados_top10 <- dados %>%
filter(state %in% top10_estados_queimadas$state)
# Agrupar por estado e ano, somar o total de queimadas:
evolucao_estados <- dados_top10 %>%
group_by(state,year) %>%
summarise(total_queimadas = sum(number, na.rm = TRUE)) %>%
ungroup()
# Visualização:
evolucao_estados %>%
ggplot(aes(x = year, y = total_queimadas, color = state)) +
geom_line(size=1) +
labs(title = "Evolução do Número de Queimadas - Top 10 Estados",
x = "Ano",
y= "Total de queimadas", color = "Estado")