MapBiomas¶

O MapBiomas é uma rede colaborativa de co-criadores, composta por ONGs, universidades e empresas de tecnologia, que tem como objetivo principal mapear anualmente a cobertura e o uso da terra no Brasil e monitorar as mudanças no território. Essa iniciativa do Observatório do Clima utiliza tecnologia de alta qualidade e baixo custo para produzir séries anuais de mapas desde 1985 até o presente.

Como o MapBiomas funciona?

O MapBiomas funciona através de um processo automatizado e distribuído, utilizando a plataforma Google Earth Engine. As principais etapas de seu funcionamento incluem:

• Coleta de Imagens de Satélite: Utiliza grandes volumes de imagens de satélite, principalmente da série Landsat, que registram o planeta desde 1985. Essas imagens são capturadas periodicamente (a cada 15-17 dias), fornecendo uma base de dados histórica e atualizada.
• Processamento e Classificação: Divide o território brasileiro em bilhões de "pedacinhos" (pixels de 30x30 metros). Para cada um desses pixels, algoritmos de inteligência artificial são aplicados para classificar o tipo de cobertura e uso da terra (ex: floresta, pastagem, agricultura, água, área urbana, etc.) em cada ano da série histórica.
• Filtro Temporal: Aplica regras de filtro temporal para garantir a consistência e a precisão dos dados ao longo dos anos, minimizando erros e flutuações temporárias.
• Integração de Mapas: Os mapas de cada classe de cobertura e uso são integrados em um único mapa que representa o estado do território brasileiro para cada ano.
• MapBiomas Alerta: Uma vertente do MapBiomas, o MapBiomas Alerta, valida e refina alertas de desmatamento gerados por outros sistemas de monitoramento (como o DETER do INPE), utilizando imagens de alta resolução e inteligência artificial. Isso gera laudos detalhados que auxiliam a fiscalização ambiental.

---

Qual a importância do MapBiomas?

A importância do MapBiomas é multifacetada e crucial para a gestão ambiental e o desenvolvimento sustentável do Brasil:

• Monitoramento Ambiental: Fornece dados confiáveis e atualizados sobre as mudanças na cobertura e uso da terra, permitindo o monitoramento contínuo do desmatamento, da regeneração florestal, da expansão agrícola, da mineração, entre outros.
• Subsídio a Políticas Públicas: As informações geradas são essenciais para a formulação e implementação de políticas públicas relacionadas à conservação, ao combate às mudanças climáticas e à regularização ambiental (como o Cadastro Ambiental Rural - CAR).
• Fiscalização e Combate a Crimes Ambientais: Através do MapBiomas Alerta, o projeto oferece informações detalhadas sobre desmatamentos, que são utilizadas por órgãos fiscalizadores (IBAMA, ICMBio, Secretarias de Meio Ambiente) para planejar ações de fiscalização e combater o desmatamento ilegal.
• Transparência e Acesso à Informação: Os dados do MapBiomas são abertos e acessíveis ao público, permitindo que pesquisadores, gestores, sociedade civil e cidadãos em geral possam acessar e utilizar essas informações para análise, pesquisa e tomada de decisões informadas.
• Pesquisa Científica e Acadêmica: Os dados do MapBiomas são amplamente utilizados em pesquisas científicas e estudos acadêmicos sobre mudanças ambientais, uso do solo e impactos climáticos.
• Inovação Tecnológica: O projeto demonstra o potencial do uso de sensoriamento remoto, inteligência artificial e plataformas de computação em nuvem para o monitoramento ambiental em larga escala.

Em suma, o MapBiomas é uma ferramenta estratégica que democratiza o acesso a informações ambientais de alta qualidade, contribuindo significativamente para a conservação dos recursos naturais e para o enfrentamento dos desafios das mudanças climáticas no Brasil.

In [ ]:

#!pip3 install geemap --upgrade

#!pip3 install geemap --upgrade

In [ ]:

import pprint
import tempfile

import ee
import geemap
import pandas as pd

import open_geodata as geo

import pprint import tempfile import ee import geemap import pandas as pd import open_geodata as geo

In [ ]:

# import pprint
# from datetime import date, datetime, timedelta
import folium

# import geopandas as gpd
# import IPython.display as disp
# import matplotlib.pyplot as plt
# import numpy as np

# from scipy.stats import chi2, f, gamma, norm
# import geemap

# import pprint # from datetime import date, datetime, timedelta import folium # import geopandas as gpd # import IPython.display as disp # import matplotlib.pyplot as plt # import numpy as np # from scipy.stats import chi2, f, gamma, norm # import geemap

---

Pasta Temporária¶

Cria uma pasta temporária para colocar os arquivos.

In [ ]:

temp_path = Path(tempfile.gettempdir()) / 'open_geodata' / 'mapbiomas'
temp_path.mkdir(exist_ok=True, parents=True)
temp_path

temp_path = Path(tempfile.gettempdir()) / 'open_geodata' / 'mapbiomas' temp_path.mkdir(exist_ok=True, parents=True) temp_path

---

Vetor¶

Inicialmente, para fins de teste, obtemos uma área de estudos.

In [ ]:

# Obtem, seleciona
gdf = geo.load_dataset(db='sp', name='geo.sp_250k_wgs84')

# Seleciona
mask = gdf['municipio_nome'] == 'Piracicaba'
gdf = gdf[mask]

# Passa para a mesma coordenada do raster
gdf['geometry'] = gdf['geometry'].to_crs(4326)

# Reseta Index
gdf = gdf.reset_index(drop=True)

# Pega Limites
xmin, ymin, xmax, ymax = gdf.total_bounds

# Results
gdf.info()
gdf.head()

# Obtem, seleciona gdf = geo.load_dataset(db='sp', name='geo.sp_250k_wgs84') # Seleciona mask = gdf['municipio_nome'] == 'Piracicaba' gdf = gdf[mask] # Passa para a mesma coordenada do raster gdf['geometry'] = gdf['geometry'].to_crs(4326) # Reseta Index gdf = gdf.reset_index(drop=True) # Pega Limites xmin, ymin, xmax, ymax = gdf.total_bounds # Results gdf.info() gdf.head()

---

GEE¶

Faz login no Google Earth Engine

In [ ]:

# Trigger the authentication flow.
ee.Authenticate()
ee.Initialize(project='ee-python-michel')

# Trigger the authentication flow. ee.Authenticate() ee.Initialize(project='ee-python-michel')

Se define os limites.

In [ ]:

roi = ee.Geometry.Rectangle([xmin, ymin, xmax, ymax])

roi = ee.Geometry.Rectangle([xmin, ymin, xmax, ymax])

---

Coleção 9¶

Se obtem a coleção mais recente obtem-se informações. Cada banda corresponde a um ano do mapeamento do MapBiomas.

In [ ]:

image = ee.Image(
    #'projects/mapbiomas-public/assets/brazil/lulc/collection9/mapbiomas_collection90_integration_v1'
    'projects/mapbiomas-public/assets/brazil/lulc/collection10/mapbiomas_brazil_collection10_coverage_v2'
)
image.getInfo()

image = ee.Image( #'projects/mapbiomas-public/assets/brazil/lulc/collection9/mapbiomas_collection90_integration_v1' 'projects/mapbiomas-public/assets/brazil/lulc/collection10/mapbiomas_brazil_collection10_coverage_v2' ) image.getInfo()

Cortamos o raster para manter apenas a área de estudo que desejamos.

In [ ]:

image = image.clip(roi)

image = image.clip(roi)

In [ ]:

for k in image.getInfo()['bands']:
    lyr = k['id']
    print(lyr)

for k in image.getInfo()['bands']: lyr = k['id'] print(lyr)

In [ ]:

visualization = {
    'bands': ['classification_1985'],
    'min': 0.0,
    'max': 0.3,
}

m = geemap.Map()
m.set_center(-47, -23, 8)
m.add_layer(image, visualization, 'True Color (432)')
m

visualization = { 'bands': ['classification_1985'], 'min': 0.0, 'max': 0.3, } m = geemap.Map() m.set_center(-47, -23, 8) m.add_layer(image, visualization, 'True Color (432)') m

In [ ]:

try:
    # Exporta a imagem como GeoTIFF para o PC local
    geemap.ee_export_image(
        ee_object=image,
        filename=temp_path / 'mapbiomas2.tif',
        # region=region,
        scale=30,
        crs='EPSG:4326',  # Garante que o arquivo será salvo em WGS84
        file_per_band=True,
    )

except Exception as e:
    print(e)

try: # Exporta a imagem como GeoTIFF para o PC local geemap.ee_export_image( ee_object=image, filename=temp_path / 'mapbiomas2.tif', # region=region, scale=30, crs='EPSG:4326', # Garante que o arquivo será salvo em WGS84 file_per_band=True, ) except Exception as e: print(e)

In [ ]:

# Exporta a imagem clipada para o Google Drive
task = ee.batch.Export.image.toDrive(
    image=image,
    description='mapbiomas_clip',
    folder='GEE',  # Nome da pasta no seu Google Drive
    fileNamePrefix='mapbiomas_clip',
    region=roi,
    scale=30,  # Tamanho do pixel em metros
    crs='EPSG:4326',
    # maxPixels=1e13
)
task.start()

# Exporta a imagem clipada para o Google Drive task = ee.batch.Export.image.toDrive( image=image, description='mapbiomas_clip', folder='GEE', # Nome da pasta no seu Google Drive fileNamePrefix='mapbiomas_clip', region=roi, scale=30, # Tamanho do pixel em metros crs='EPSG:4326', # maxPixels=1e13 ) task.start()

In [ ]:

image = image.select('classification_2023')
image.getInfo()

image = image.select('classification_2023') image.getInfo()

In [ ]:

lyr

lyr

---

Legenda¶

In [ ]:

db = geo.data.DB(db='br_map_biomas')
db.json

db = geo.data.DB(db='br_map_biomas') db.json

In [ ]:

filepath = db.get_data(name='tab.codigos-da-legenda-colecao-9')
filepath

filepath = db.get_data(name='tab.codigos-da-legenda-colecao-9') filepath

In [ ]:

df = pd.read_csv(filepath_or_buffer=filepath, sep='\t')
df = df.sort_values(by='Class_ID')
df.head()

df = pd.read_csv(filepath_or_buffer=filepath, sep='\t') df = df.sort_values(by='Class_ID') df.head()

In [ ]:

legend_dict = dict(zip(df['Descricao'], df['Color']))

legend_dict = dict(zip(df['Descricao'], df['Color']))

Descritores de camadas estilizados

https://geemap.org/notebooks/14_legends/

In [ ]:

list_str = []
list_str.append('<RasterSymbolizer>')
list_str.append('<ColorMap  type="intervals" extended="false" >')
for index, row in df.iterrows():
    # Atributos
    id_color = row['Class_ID']
    color = row['Color']
    descricao = row['Descricao']

    # Apensa entradas
    list_str.append(
        f'<ColorMapEntry color="{color}" quantity="{id_color}" label="{descricao}"/>'
    )

# Apensa fechamento
list_str.append('</ColorMap>')
list_str.append('</RasterSymbolizer>')

# Cria sld intervals
sld_intervals = '\n'.join(list_str)
pprint.pprint(sld_intervals)

list_str = [] list_str.append('') list_str.append('') for index, row in df.iterrows(): # Atributos id_color = row['Class_ID'] color = row['Color'] descricao = row['Descricao'] # Apensa entradas list_str.append( f'' ) # Apensa fechamento list_str.append('') list_str.append('') # Cria sld intervals sld_intervals = '\n'.join(list_str) pprint.pprint(sld_intervals)

In [ ]:

# Apply the SLD style to the image.
cover_sld = image.sldStyle(sld_intervals)

# Define a map centered on the United States.
m = geemap.Map(center=[-10, -48], zoom=5)

# Add the image layer to the map and display it.
m.add_layer(cover_sld, None, 'MapBiomas')

m.add_legend(
    title='MapBiomas Classification',
    legend_dict=legend_dict,
    layer_name='MapBiomas',
)

m

# Apply the SLD style to the image. cover_sld = image.sldStyle(sld_intervals) # Define a map centered on the United States. m = geemap.Map(center=[-10, -48], zoom=5) # Add the image layer to the map and display it. m.add_layer(cover_sld, None, 'MapBiomas') m.add_legend( title='MapBiomas Classification', legend_dict=legend_dict, layer_name='MapBiomas', ) m

In [ ]: