Dados do estudo de caso AMAZON

---

FlorestaR

O projeto FlorestaR reúne professores, estudantes e profissionais dedicados à redação da série FlorestaR de livros sobre o uso do R como ferramenta de análise de dados florestais.

---

Sobre os autores

Os autores da série de livros FlorestaR são:

• Luiz Carlos Estraviz Rodriguez, professor titular da Escola Superior de Agricultura Luiz de Queiroz (ESALQ) da Universidade de São Paulo
• Eric Bastos Gorgens, professor do Departamento de Engenharia Florestal da Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM)
• Humberto Tadeu Menecheli Filho, engenheiro florestal analista de dados da ForLiDAR
• Nathan de Oiveira Barreto, graduando de engenharia florestal da ESALQ/USP
• João Victor Lopes Marinho, graduando de engenharia florestal da ESALQ/USP
• Arthur Kaufmann Sanchez, graduando de engenharia florestal da ESALQ/USP
• José Jorge Monteiro Junior, engenheiro florestal mestrando do programa de pós-graduação em Recursos Florestais da ESALQ/USP

---

Sobre os livros

A coleção está em constante evolução, e no momento é constituida pelos seguintes volumes:

• Vol_01 Análise exploratória de dados florestais
• Vol_02 Inferência estatística com dados florestais
• Vol_03 Amostragem para fins de inventário florestal
• Vol_04 Processamento de dados LiDAR para monitoramento florestal

---

Conjuntos de dados

Os dados dos estudos de caso usados nos exercícios da série de livros FlorestaR estão organizados em pastas:

Pasta	Conteúdo
1_AMAZON	Árvores inventariadas na Amazônia
2_RESTAU	Medições de árvores de espécies nativas coletadas em área de restauração de corredor ecológico
3_VOLIND	Árvores de Eucalytus cubadas para modelagem de volume individual
4_INVENT	Medições de árvores de Eucalyptus em parcelas de inventário convencional
5_LIDARF	Nuvens de pontos LiDAR sobre plantio florestal para mapeamento de biomassa

---

Dados do estudo de caso AMAZON

A pasta AMAZON contém as medições de árvores inventariadas em 2010 para fins de manejo florestal. Implantado às margens da BR 364, no município de Porto Velho (RO) em área próxima à divisa com o Acre, o plano se refere à UPA 4 (Unidade de Produção Anual número 4). Todas árvores (censo 100%) com mais de 40cm de diâmetro à altura do peito (DAP) nessa área foram identificadas, geolocalizadas, medidas e destinadas para compor um dos seguintes grupos:

Código	Destinação
APP	Em área de preservação permanente
CF	Corte futuro (árvore com DAP entre 40 e 50 cm)
CPL	Corte protegido por lei
PAB	Para abate
PS	Porta semente
RAR	Rara
REM	Remanescente

O acesso aos dados deste repositório é mantido aberto para maximizar acessibilidade e permitir a reprodutibilidade dos exemplos publicados nos livros da série FlorestaR. Os dados foram estruturados em tabelas tidy e shape para facilitar o uso das funções tidyverse e sf do R.

As medições na UPA4 geraram dados sobre 20.108 árvores. Esses dados foram armazenados em planilhas CSV e XLSX, e na tabela de atributos de um shape de pontos georeferenciados que identifica a precisa localização dessas árvores.

. Formato CSV

O conteúdo da planilha Censo_UPA04.csv pode ser importado para uma tibble dados, da seguinte forma:

library(tidyverse)
gitOnde <- "https://github.com/FlorestaR/dados/blob/main/1_AMAZON"
gitNome <- "Censo_UPA04.csv"
gitArqv <- file.path(gitOnde, gitNome) %>% paste0("?raw=true")
  
dados <- read_csv(gitArqv,                     # importação
         locale = locale(encoding = "latin1"), # garante acentuação
         show_col_types = FALSE) %>% tibble()  # desabilita msgs

dados$dia <- dados$dia %>% as.Date("%d/%m/%Y") # garante formato date

gitOnde define a pasta dentro do repositório, gitNome define o arquivo de dados e gitArqv concatena esses dois termos com o sufixo ?raw=true para criar o devido URL. Em seguida o URL é passado para a função read_csv() do pacote readr do tidyverse.

A função read_csv() do pacote readr permite que um usuário R conectado à internet leia diretamente os dados mantidos em repositórios github.

. Formato XLSX

Para ler a versão xlsx dos mesmos dados, uma alternativa é usar a função import() do pacote rio:

library(tidyverse)
gitOnde <- "https://github.com/FlorestaR/dados/blob/main/1_AMAZON"
gitNome <- "Censo_UPA04.xlsx"
gitArqv <- file.path(gitOnde, gitNome) %>% paste0("?raw=true")
  
library(rio)

dados <- import(file = gitArqv) %>% tibble() # importação
dados$dia <- dados$dia %>% as.Date()         # garante formato date

Nesse caso, a acentuação nos caracteres especiais já é importada corretamente, havendo necessidade apenas de garantir que a coluna dia registre os valores como date.

. A tibble dados

A função str() nos permite ver detalhes da estrutura da tibble dados:

str(dados)

## tibble [20,108 × 17] (S3: tbl_df/tbl/data.frame)
##  $ codARV  : num [1:20108] 40100001 40100002 40100003 40100004 40100005 ...
##  $ codUT   : num [1:20108] 1 1 1 1 1 1 1 1 1 1 ...
##  $ codUCA  : num [1:20108] 1 1 1 1 1 1 1 1 1 1 ...
##  $ codLIN  : num [1:20108] 1 1 1 1 1 1 1 1 1 1 ...
##  $ X       : num [1:20108] 5 23 43 47 40 14 37 22 15 31 ...
##  $ Y       : num [1:20108] 13 11 4 7 12 21 25 25 40 36 ...
##  $ dia     : Date[1:20108], format: "2010-03-03" "2010-03-03" ...
##  $ nome    : chr [1:20108] "taxi" "caucho" "ucuuba" "pamã" ...
##  $ sp      : chr [1:20108] "Sclerolobium paniculatum" "Castilla ulei" "Virola surinamensis" "Pseudolmedia laevis" ...
##  $ dap     : num [1:20108] 70.8 50.1 43.5 52.8 41.1 46.1 50.2 91.7 57 73 ...
##  $ altura  : num [1:20108] 15 12 17 10 15 12 15 18 10 12 ...
##  $ notaFUST: num [1:20108] 1 2 1 1 2 1 1 1 2 2 ...
##  $ notaCIPO: num [1:20108] 1 2 2 2 1 2 2 2 1 2 ...
##  $ clasDAP : chr [1:20108] "070-080" "050-060" "040-050" "050-060" ...
##  $ areaBAS : num [1:20108] 1.575 0.789 0.594 0.876 0.531 ...
##  $ volume  : num [1:20108] 4.13 1.66 1.77 1.53 1.39 ...
##  $ destino : chr [1:20108] "REM" "PS" "CF" "RAR" ...

. Formato shape

Os dados diponibilizados nos formatos CSV e XLSX se encontram também disponíveis na tabela de atributos do shape Arvores, com a localização geográfica de cada árvore. O download desse, e de outros shapes complementares, premite reproduzir os exercícios de exploração de dados espacializados.

Os exercícios com as árvores georeferenciadas usam funções do pacote sf do R. A função read_sf() desse pacote permite ler camadas vetoriais (layers) de informação SIG armazenadas no formato shape.

Para download dos shapes e leitura da tabela de árvores georeferenciadas, sugere-se o seguinte procedimento:

library(tidyverse)

gitOnde <- "https://github.com/FlorestaR/dados/blob/main/1_AMAZON/"
gitNome <- "shapes.zip"
gitArqv <- file.path(gitOnde, gitNome) %>% paste0("?raw=true")

tmpd <- tempdir(check = TRUE)                  # diretório temporário
zipf <- file.path(tmpd, "shapes.zip")            # arquivo temporário

if(!file.exists(zipf))  # garante download de dados binários (wb)
  download.file(gitArqv, mode="wb", destfile = zipf) 

unzip(zipf, exdir = tmpd)   # shape é unziped no diretório temporário
unlink(zipf)                                # deleta o arquivo zipado

library(sf)

shpArq <- paste0(tmpd, "/shapes/Arvores.shp")     # shape com árvores
dadosComGeo <- sf::read_sf(shpArq)             # df completo com geom
dadosSemGeo <- tibble(st_drop_geometry(dadosComGeo))    # df sem geom

dadosSemGeo %>%                       # Cinco castanheiras mais altas
  filter(nome=="castanheira") %>% 
  select(codARV,sp,codUT,codUCA,dap,altura) %>% 
  arrange(desc(altura)) %>% 
  head(5) %>% 
  knitr::kable(caption = "Lista das 5 maiores castanheiras")

Lista das 5 maiores castanheiras

codARV	sp	codUT	codUCA	dap	altura
40401295	Bertholetia excelsa	4	6	165.6	30
40501461	Bertholetia excelsa	5	7	71.6	30
40501504	Bertholetia excelsa	5	15	92.0	30
40501700	Bertholetia excelsa	5	12	90.6	30
40300157	Bertholetia excelsa	3	13	132.2	29

Para ilustrar a vantagem de usar a versão georeferenciada de dados, apresenta-se um exemplo que exibe uma sobreposição das camadas APP e UTs com as castanheiras.

library(tidyverse)

gitOnde <- "https://github.com/FlorestaR/dados/blob/main/1_AMAZON"
gitNome <- "shapes.zip"
gitArqv <- file.path(gitOnde, gitNome) %>% paste0("?raw=true")

tmpd <- tempdir(check = TRUE)                  # diretório temporário
zipf <- file.path(tmpd, "shapes.zip")            # arquivo temporário

if(!file.exists(zipf))      # garante download de dados binários (wb)
  download.file(gitArqv, mode="wb", destfile = zipf) 

unzip(zipf, exdir = tmpd)   # shape é unziped no diretório temporário
unlink(zipf)                                # deleta o arquivo zipado

library(sf)

# leitura das camadas 
dadosArv <- paste0(tmpd, "/shapes/Arvores.shp")     %>% read_sf()
dadosUca <- paste0(tmpd, "/shapes/UCAs.shp")        %>% read_sf()
dadosUts <- paste0(tmpd, "/shapes/UTs.shp")         %>% read_sf()
dadosApp <- paste0(tmpd, "/shapes/APP.shp")         %>% read_sf()
dadosHid <- paste0(tmpd, "/shapes/Hidrografia.shp") %>% read_sf()
dadosEst <- paste0(tmpd, "/shapes/Estrada.shp")     %>% read_sf()
dadosRam <- paste0(tmpd, "/shapes/Ramal.shp")       %>% read_sf()
dadosPat <- paste0(tmpd, "/shapes/Patios.shp")      %>% read_sf()

Especie <- dadosArv %>%                # novo df só com castanheiras
  filter(nome=="castanheira") %>% 
  select(codARV,altura,dap,volume) 

ggplot() +      # plot das UTs, APPs e castanheiras (col por altura)
  geom_sf(data = dadosUts, colour = "red", fill=NA) +
  geom_sf(data = dadosApp, colour = "lightblue") +
  geom_sf(data = Especie, aes(colour = altura), size = 1) +
  scale_color_distiller(palette = "Greens", trans = "reverse") + 
  coord_sf(datum=st_crs(29190)) +     # Especifica sistema de coord.
  scale_x_continuous(breaks = seq(from = 218500, to = 223000, by = 1000))

---

Caso encontre alguma inconsistência nas informações deste repositório, ou queira registrar um comentário, clique em issues no menu do repositório github.com/LuizEstraviz/FlorestaR_dados e deixe a sua contribuição clicando no botão New issue. Agradecemos o seu interesse por esta iniciativa.

Disclaimer: Os dados são disponibilizados para fins exclusivamente educativos e não devem ser usados para outro propósito. O uso fora do contexto para o qual estão sendo disponibilizados, mesmo que apenas parcialmente, além de indevido, produzirá resultados impróprios, pois alguns dos atributos originais desses dados foram propositalmente modificados para simplificar a realidade. Os autores não se responsabilizam pelo uso indevido que, além de infringir códigos científicos e éticos de conduta, extrapole o caráter ilustrativo dos exercícios que apresentamos na série de livros FlorestaR.