Explorando no R o desmatamento na Amazônia Legal (PRODES/INPE) e a vegetação nativa dos biomas brasileiros (MapBiomas)
Data de Publicação
24 de outubro de 2026
Olá, esta é mais uma de um conjunto de práticas em bioinformática desenvolvidas para o curso de Biomedicina da PUC-MG. Você pode encontrar as demais práticas aqui.
Hoje nós vamos trabalhar com dados públicos sobre o desmatamento no Brasil, produzidos a partir de imagens de satélite.
Introdução
Por que estudar desmatamento?
O Brasil abriga seis biomas continentais: Amazônia, Cerrado, Mata Atlântica, Caatinga, Pampa e Pantanal. A perda de vegetação nativa afeta diretamente a biodiversidade, o regime de chuvas, a emissão de gases de efeito estufa e também a saúde humana, por exemplo ao aproximar pessoas de reservatórios de patógenos e vetores de doenças.
O Brasil é um dos países com o monitoramento por satélite mais longo e consolidado do mundo, e a maior parte desses dados é aberta. Isso faz deles um ótimo material para praticar análise de dados tabulares no R.
Onde obter os dados
Existem diversas fontes, que diferem quanto ao método, à escala e ao período coberto. Por isso é comum que os números de uma fonte não batam exatamente com os de outra. Vamos conhecer as principais:
PRODES (Projeto de Monitoramento do Desmatamento na Amazônia Legal por Satélite): calcula a taxa anual de desmatamento por corte raso, a partir de imagens da série Landsat e similares. Na Amazônia Legal a série começa em 1988, e hoje o projeto cobre todos os biomas.
DETER (Detecção de Desmatamento em Tempo Real): sistema de alertas quase diários, criado para orientar a fiscalização. Não serve para calcular taxas oficiais, mas mostra a dinâmica ao longo do ano.
Onde baixar: portal TerraBrasilis, na página de downloads, com arquivos em formato .csv, shapefile e raster. Os painéis de taxas do próprio portal também permitem exportar tabelas.
O “ano PRODES” não é o ano civil: ele vai de agosto de um ano a julho do ano seguinte, que é a época seca na Amazônia, com menos nuvens nas imagens.
MapBiomas
Instituição:MapBiomas, rede colaborativa de universidades, ONGs e empresas de tecnologia.
O que oferece: mapas anuais de cobertura e uso da terra de todo o Brasil desde 1985, com resolução de 30 m, classificando cada pixel em classes como Formação Florestal, Formação Savânica, Pastagem, Agricultura, Área Urbana etc. Também tem módulos de desmatamento, vegetação secundária, fogo, mineração e superfície de água.
Onde baixar: a página de estatísticas disponibiliza planilhas com a área (em hectares) de cada classe por bioma, estado e município, para cada ano. É a fonte mais prática para obter a área absoluta de vegetação nativa por estado.
O que oferece: os limites oficiais dos biomas, dos estados e dos municípios, além do Monitoramento da Cobertura e Uso da Terra do Brasil. Os códigos de município do IBGE (7 dígitos) são a “chave” que permite cruzar dados ambientais com dados de saúde, como os do SUS.
O que oferece: o Atlas dos Remanescentes Florestais da Mata Atlântica, que acompanha desde o fim dos anos 1980 o que resta de floresta no bioma mais desmatado do país.
Outras fontes úteis
Global Forest Watch: perda anual de cobertura arbórea em escala global, a partir de 2001, com recortes por país e estado.
Base dos Dados: reúne em um só lugar diversos conjuntos públicos brasileiros já tratados, acessíveis pelo pacote de R basedosdados (exige um projeto no Google Cloud).
Nesta prática vamos reconstruir, passo a passo, a história do desmatamento na Amazônia Legal desde o início do monitoramento, em 1988. A Amazônia Legal é uma região político-administrativa formada por nove estados: Acre, Amapá, Amazonas, Mato Grosso, Pará, Rondônia, Roraima, Tocantins e parte do Maranhão.
Vamos usar dois conjuntos de dados:
as taxas anuais consolidadas do PRODES por estado, exportadas do painel do TerraBrasilis, que medem o que foi desmatado na Amazônia Legal a cada ano, desde 1988;
a área de vegetação nativa de cada estado em cada bioma, de 1985 a 2025, da Coleção 11 do MapBiomas, que mede o que ainda existe em todos os biomas.
Com eles, vamos responder a quatro perguntas:
Como o desmatamento variou ao longo de quase quatro décadas?
Quais estados concentram o desmatamento, e isso mudou com o tempo?
Quanto de floresta já foi perdido, somando todos os anos?
Quanto resta de vegetação nativa em cada bioma e em cada estado?
Preparação
Carregar pacotes
# para instalar os pacotes, caso ainda não tenha (só se instala uma vez)install.packages("ggplot2")install.packages("dplyr")# execute para carregar os pacoteslibrary("ggplot2")library("dplyr")# função para escrever números no padrão brasileiro (1.234,5)num <- scales::label_number(big.mark =".", decimal.mark =",")
DICA: toda vez que você reiniciar uma sessão é necessário carregar os pacotes novamente. Eles são a primeira coisa de qualquer código.
Obtendo os dados
Definindo seu diretório de trabalho
Para cada projeto, sempre crie uma pasta onde você vai salvar todos arquivos e scripts, assim você mantém seu trabalho sempre organizado. No comando abaixo, coloque dentro das aspas o caminho para o seu diretório de trabalho.
DICA: Sempre utilize a tecla TAB para autocompletar os caminhos a partir do ~ ou / (ou ****, caso no windows). Para isso, coloque o cursor (|, a barra onde sua digitação aparece) entre as ” “.
getwd()setwd("")# utilize o tab para autocompletar com o cursor entre as aspas
Obter arquivos
Para facilitar, iremos trabalhar com dois arquivos já organizados, que devem ser baixados com os comandos a seguir. Você irá fazer download dos arquivos e em seguida iremos carregá-los no R.
# taxas anuais de desmatamento na Amazônia Legal (PRODES/INPE)download.file("https://raw.githubusercontent.com/heronoh/bioinfo/main/aulas/r/arquivos/desmatamento_prodes_amazonia_uf.csv",destfile ="desmatamento_prodes_amazonia_uf.csv",mode ="wb",method ="libcurl" )# área de vegetação nativa por bioma e estado (MapBiomas, Coleção 11)download.file("https://raw.githubusercontent.com/heronoh/bioinfo/main/aulas/r/arquivos/vegetacao_nativa_mapbiomas_uf.csv",destfile ="vegetacao_nativa_mapbiomas_uf.csv",mode ="wb",method ="libcurl" )
DICA 1: Para prosseguir na análise que vamos desenvolver, copie e cole os blocos de código num novo documento do tipo .R.
DICA 2: utilize a tecla tab para autocompletar e evitar erros!
Ler os arquivos .csv
O formato .csv (comma-separated values) é um arquivo de texto simples em que cada linha é uma observação e as colunas são separadas por vírgulas. Você pode abri-lo em qualquer editor de texto para ver como ele é por dentro. No R, ele é lido com a função read.csv():
#complete usando a tecla TAB até chegar aos arquivos que você baixoudesmat <-read.csv(file ="desmatamento_prodes_amazonia_uf.csv",sep =",",fileEncoding ="UTF-8" ) %>% tibble::tibble()veg <-read.csv(file ="vegetacao_nativa_mapbiomas_uf.csv",sep =",",fileEncoding ="UTF-8" ) %>% tibble::tibble()
Para outros projetos
O arquivo desta prática é um recorte já organizado. Para outras perguntas, você pode baixar diretamente das fontes:
PRODES de outros biomas (Cerrado, Mata Atlântica, Caatinga, Pampa, Pantanal), por município ou como polígonos:TerraBrasilis - downloads
Área de cada classe de cobertura e uso da terra, por estado, município, terra indígena ou unidade de conservação:MapBiomas - estatísticas
As tabelas exportadas por essas plataformas costumam vir no formato largo (um ano por coluna) e com números no padrão brasileiro (vírgula decimal). Nesses casos, use read.csv2() no lugar de read.csv(), e converta para o formato longo com tidyr::pivot_longer():
install.packages("tidyr")library(tidyr)# exemplo: transformar colunas "1985", "1986", ... em uma coluna "ano"tabela_longa <- tabela_larga %>%pivot_longer(cols =matches("^[0-9]{4}$"),names_to ="ano",values_to ="area_ha") %>%mutate(ano =as.numeric(ano))
Conhecendo a tabela
Antes de qualquer gráfico, precisamos saber o que é cada linha da tabela. Aqui, cada linha é a combinação de um ano e um estado, e a coluna desmatamento_km2 traz a área desmatada naquele estado, naquele ano.
# as primeiras linhashead(desmat)
# A tibble: 6 × 4
ano uf estado desmatamento_km2
<int> <chr> <chr> <int>
1 1988 AC Acre 620
2 1988 AM Amazonas 1510
3 1988 AP Amapá 60
4 1988 MA Maranhão 2450
5 1988 MT Mato Grosso 5140
6 1988 PA Pará 6990
# estrutura: nome, tipo e exemplos de cada colunastr(desmat)
# quantas linhas por estado? (deve ser igual ao número de anos)table(desmat$uf)
AC AM AP MA MT PA RO RR TO
38 38 38 38 38 38 38 38 38
# resumo da coluna numéricasummary(desmat$desmatamento_km2)
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0 237.8 602.5 1471.3 1672.2 11814.0
PERGUNTA: Se a série vai de 1988 a 2025 e são 9 estados, quantas linhas a tabela deveria ter? Confira com nrow(desmat).
Duas particularidades da série histórica
O valor de 1988 é uma média anual do período de 1977 a 1988, e não a medição de um único ano.
Os valores de 1993 e 1994 são iguais porque correspondem à média dos dois anos, que foram mapeados em conjunto.
Saber como o dado foi produzido é parte essencial de qualquer análise!
Contexto: os mandatos presidenciais
O desmatamento responde a políticas públicas, como fiscalização, crédito rural e criação de áreas protegidas, que mudam de um governo para outro. Para ajudar a interpretar os gráficos, vamos marcar neles os mandatos presidenciais do período.
Em vez de baixar outro arquivo, vamos criar a tabela diretamente no R com a função tribble(), que permite escrever uma tabela linha por linha, de forma bem legível:
mandatos <- tibble::tribble(~presidente, ~rotulo, ~inicio, ~fim,"José Sarney", "Sarney", "1985-03-15", "1990-03-15","Fernando Collor", "Collor", "1990-03-15", "1992-10-02","Itamar Franco", "Itamar", "1992-10-02", "1995-01-01", # interino até a renúncia de Collor, em 29/12/1992"Fernando Henrique Cardoso", "FHC I", "1995-01-01", "1999-01-01","Fernando Henrique Cardoso", "FHC II", "1999-01-01", "2003-01-01","Luiz Inácio Lula da Silva", "Lula I", "2003-01-01", "2007-01-01","Luiz Inácio Lula da Silva", "Lula II", "2007-01-01", "2011-01-01","Dilma Rousseff", "Dilma I", "2011-01-01", "2015-01-01","Dilma Rousseff", "Dilma II", "2015-01-01", "2016-05-12", # até o impeachment (golpe) em 31 de agosto de 2016"Michel Temer", "Temer", "2016-05-12", "2019-01-01", # interino até 31/08/2016"Jair Bolsonaro", "Bolsonaro", "2019-01-01", "2023-01-01","Luiz Inácio Lula da Silva", "Lula III", "2023-01-01", "2027-01-05")mandatos
# A tibble: 12 × 4
presidente rotulo inicio fim
<chr> <chr> <chr> <chr>
1 José Sarney Sarney 1985-03-15 1990-03-15
2 Fernando Collor Collor 1990-03-15 1992-10-02
3 Itamar Franco Itamar 1992-10-02 1995-01-01
4 Fernando Henrique Cardoso FHC I 1995-01-01 1999-01-01
5 Fernando Henrique Cardoso FHC II 1999-01-01 2003-01-01
6 Luiz Inácio Lula da Silva Lula I 2003-01-01 2007-01-01
7 Luiz Inácio Lula da Silva Lula II 2007-01-01 2011-01-01
8 Dilma Rousseff Dilma I 2011-01-01 2015-01-01
9 Dilma Rousseff Dilma II 2015-01-01 2016-05-12
10 Michel Temer Temer 2016-05-12 2019-01-01
11 Jair Bolsonaro Bolsonaro 2019-01-01 2023-01-01
12 Luiz Inácio Lula da Silva Lula III 2023-01-01 2027-01-05
Nossos gráficos usam o ano como eixo, então precisamos converter as datas em “anos decimais” (por exemplo, 1° de julho de 2016 ≈ 2016,5):
# converte uma data em ano decimalano_decimal <-function(data) { data <-as.Date(data)as.numeric(format(data, "%Y")) + (as.numeric(format(data, "%j")) -1) /365}mandatos <- mandatos %>%mutate(inicio_ano =ano_decimal(inicio),fim_ano =ano_decimal(fim),cor_faixa =ifelse(row_number() %%2==0, "grey80", "grey93"))mandatos %>%select(rotulo, inicio_ano, fim_ano)
# A tibble: 12 × 3
rotulo inicio_ano fim_ano
<chr> <dbl> <dbl>
1 Sarney 1985. 1990.
2 Collor 1990. 1993.
3 Itamar 1993. 1995
4 FHC I 1995 1999
5 FHC II 1999 2003
6 Lula I 2003 2007
7 Lula II 2007 2011
8 Dilma I 2011 2015
9 Dilma II 2015 2016.
10 Temer 2016. 2019
11 Bolsonaro 2019 2023
12 Lula III 2023 2027.
Vamos marcar também o período da pandemia de COVID-19, em vermelho escuro. Ele começa em 11/03/2020, quando a OMS caracterizou a COVID-19 como pandemia e o Distrito Federal adotou as primeiras medidas de restrição de circulação. Termina em 22/05/2022, com o fim da Emergência em Saúde Pública de Importância Nacional (Portaria GM/MS nº 913, em vigor 30 dias após sua publicação, em 22/04/2022). O Brasil não teve um lockdown nacional: as quarentenas foram decretadas por estados e municípios, a partir de março de 2020, com intensidade e duração diferentes em cada lugar.
# A tibble: 1 × 6
evento rotulo inicio fim inicio_ano fim_ano
<chr> <chr> <chr> <chr> <dbl> <dbl>
1 Pandemia de COVID-19 COVID-19 2020-03-11 2022-05-22 2020. 2022.
Como vamos repetir essas marcações em vários gráficos, criamos funções que devolvem camadas prontas do ggplot2. Assim, basta “somar” + mandatos_fundo() ou + mandatos_linhas() a qualquer gráfico. Os argumentos de e ate indicam o período do gráfico, para cortar os mandatos que começam antes ou terminam depois da série:
# recorta os mandatos ao período do gráficomandatos_periodo <-function(de, ate) { mandatos %>%mutate(inicio_ano =pmax(inicio_ano, de -0.5),fim_ano =pmin(fim_ano, ate +0.5),meio = (inicio_ano + fim_ano) /2) %>%# posição do nomefilter(inicio_ano < fim_ano)}# o mesmo para o período da pandemiapandemia_periodo <-function(de, ate) { pandemia %>%mutate(inicio_ano =pmax(inicio_ano, de -0.5),fim_ano =pmin(fim_ano, ate +0.5),meio = (inicio_ano + fim_ano) /2) %>%filter(inicio_ano < fim_ano)}# faixas de fundo, alternando tons de cinza, e a pandemia em vermelho# (adicionar ANTES dos dados)mandatos_fundo <-function(de =1988, ate =2025) { m <-mandatos_periodo(de, ate)# uma camada para cada tom de cinza faixas <-lapply(c("grey80", "grey93"), function(cor) {geom_rect(data = m %>%filter(cor_faixa == cor),aes(xmin = inicio_ano, xmax = fim_ano, ymin =-Inf, ymax =Inf),fill = cor,alpha =0.6,inherit.aes =FALSE) }) covid <-geom_rect(data =pandemia_periodo(de, ate),aes(xmin = inicio_ano, xmax = fim_ano, ymin =-Inf, ymax =Inf),fill = cor_pandemia,alpha =0.18,inherit.aes =FALSE)c(faixas, list(covid))}# linhas de troca de mandato + nomes dos presidentes (adicionar NO FINAL)# dentro = FALSE: nomes acima do gráfico; dentro = TRUE: nomes verticais dentro de cada painel# so_no_painel: em gráficos com painéis, escreve os nomes só em um deles,# por exemplo so_no_painel = list(bioma = "Amazônia")mandatos_linhas <-function(de =1988, ate =2025, dentro =FALSE, tamanho =3,so_no_painel =NULL) { m <-mandatos_periodo(de, ate) m_nomes <- mfor (coluna innames(so_no_painel)) m_nomes[[coluna]] <- so_no_painel[[coluna]] linhas <-geom_vline(data = m %>%filter(inicio_ano > de -0.5),aes(xintercept = inicio_ano),linetype ="dashed", linewidth =0.3, colour ="grey20",inherit.aes =FALSE)# pandemia: linha cheia no início e pontilhada no fim, em vermelho escuro p <-pandemia_periodo(de, ate) p_nomes <- pfor (coluna innames(so_no_painel)) p_nomes[[coluna]] <- so_no_painel[[coluna]] linhas_covid <-list(geom_vline(data = p, aes(xintercept = inicio_ano),linewidth =0.7, colour = cor_pandemia, inherit.aes =FALSE),geom_vline(data = p, aes(xintercept = fim_ano),linetype ="dotted", linewidth =0.7, colour = cor_pandemia,inherit.aes =FALSE))if (dentro) { nomes <-geom_text(data = m_nomes,aes(x = meio, y =Inf, label = rotulo),angle =90, hjust =1.1, size = tamanho, colour ="grey20",inherit.aes =FALSE)# nos painéis, a pandemia é marcada só pela faixa e pelas linhas vermelhasc(list(linhas, nomes), linhas_covid) } else {# nomes em duas alturas alternadas, para não se sobreporem nos mandatos curtos m_nomes$altura <-ifelse(seq_len(nrow(m_nomes)) %%2==1, -0.5, -1.9) nomes <-geom_text(data = m_nomes,aes(x = meio, y =Inf, label = rotulo, vjust = altura),size = tamanho, colour ="grey20",inherit.aes =FALSE)# "COVID-19" numa terceira linha, acima dos presidentes nome_covid <-geom_text(data = p_nomes,aes(x = meio, y =Inf, label = rotulo),vjust =-3.3, size = tamanho, fontface ="bold",colour = cor_pandemia, inherit.aes =FALSE)c(list(linhas, nomes), linhas_covid,list(nome_covid,coord_cartesian(clip ="off"), # permite escrever fora da área do gráficotheme(plot.title =element_text(margin =margin(b =44)),plot.margin =margin(t =48, r =6, b =6, l =6)))) }}
ATENÇÃO: o “ano PRODES” vai de agosto a julho, então as trocas de mandato e o período da pandemia aparecem no meio de uma barra ou de um ano. As marcações servem para orientar a leitura, não como fronteiras exatas.
A série histórica da Amazônia Legal
Para obter o total da Amazônia Legal em cada ano, somamos os nove estados com a dupla group_by() + summarise():
Quais foram os anos de maior e de menor desmatamento?
total_ano %>%slice_max(desmatamento_km2, n =3)
# A tibble: 3 × 2
ano desmatamento_km2
<int> <int>
1 1995 29059
2 2004 27772
3 2003 25396
total_ano %>%slice_min(desmatamento_km2, n =3)
# A tibble: 3 × 2
ano desmatamento_km2
<int> <int>
1 2012 4571
2 2014 5012
3 2025 5731
total_ano %>%ggplot(aes(x = ano, y = desmatamento_km2, fill = desmatamento_km2)) +mandatos_fundo() +geom_col() +scale_fill_viridis_c(option ="rocket", direction =-1, guide ="none") +scale_y_continuous(labels = num,limits =c(0,30000),expand = F) +scale_x_continuous(breaks =seq(1988, 2025, by =1)) +labs(title ="Taxa anual de desmatamento na Amazônia Legal (PRODES)",x ="Ano PRODES",y ="Desmatamento (km²/ano)") +theme_minimal() +theme(axis.text.x =element_text(angle =45,hjust =1)) +mandatos_linhas()
PERGUNTA: O gráfico mostra dois grandes picos e uma queda acentuada entre 2004 e 2012. Pesquise que políticas públicas foram adotadas nesse período. O que aconteceu depois de 2012?
Comparando os estados
Um gráfico para cada estado
Com facet_wrap() desenhamos um painel por estado, todos na mesma escala, o que facilita a comparação:
Outra forma de enxergar a tabela inteira de uma só vez é um mapa de calor (heatmap), em que cada célula é um par estado-ano, e a cor indica a área desmatada. Usamos reorder() para ordenar os estados pelo total desmatado:
PERGUNTA: Qual estado liderava o desmatamento no início da série? E nos anos mais recentes?
Desmatamento acumulado
A taxa anual mostra quanto foi desmatado em cada ano. Mas a floresta perdida em um ano não volta no ano seguinte: as perdas se somam. Para medir o impacto total, calculamos o desmatamento acumulado com a função cumsum() (cumulative sum, soma acumulada):
# como funciona a soma acumulada?c(10, 20, 5, 15)
[1] 10 20 5 15
cumsum(c(10, 20, 5, 15))
[1] 10 30 35 50
Para acumular separadamente para cada estado, ordenamos por ano, agrupamos por estado e só então usamos o cumsum():
Agora vamos ver o desmatamento acumulado de toda a Amazônia Legal como um gráfico de barras, uma barra por ano. A cor de cada barra conta o que aconteceu com a taxa anual em relação ao ano anterior: marrom claro quando a taxa caiu (ou se manteve) e marrom escuro quando subiu. A intensidade da cor é proporcional à taxa daquele ano: quanto mais forte, mais se desmatou naquele ano.
Para comparar cada ano com o anterior, usamos a função lag(), que pega o valor da linha de cima:
acumulado_ano <- total_ano %>%arrange(ano) %>%mutate(acumulado_km2 =cumsum(desmatamento_km2),variacao =case_when(is.na(lag(desmatamento_km2)) ~"1988 (média de 1977 a 1988)", desmatamento_km2 >lag(desmatamento_km2) ~"Taxa subiu",TRUE~"Taxa caiu ou se manteve"))acumulado_ano
# A tibble: 38 × 4
ano desmatamento_km2 acumulado_km2 variacao
<int> <int> <int> <chr>
1 1988 21050 21050 1988 (média de 1977 a 1988)
2 1989 17770 38820 Taxa caiu ou se manteve
3 1990 13730 52550 Taxa caiu ou se manteve
4 1991 11030 63580 Taxa caiu ou se manteve
5 1992 13786 77366 Taxa subiu
6 1993 14896 92262 Taxa subiu
7 1994 14896 107158 Taxa caiu ou se manteve
8 1995 29059 136217 Taxa subiu
9 1996 18161 154378 Taxa caiu ou se manteve
10 1997 13227 167605 Taxa caiu ou se manteve
# ℹ 28 more rows
acumulado_ano %>%ggplot(aes(x = ano, y = acumulado_km2,fill = variacao, alpha = desmatamento_km2)) +mandatos_fundo() +geom_col(width =0.85) +scale_fill_manual(values =c("Taxa caiu ou se manteve"="#c8a165","Taxa subiu"="#5b3412","1988 (média de 1977 a 1988)"="grey60")) +scale_alpha_continuous(range =c(0.35, 1), labels = num) +scale_y_continuous(labels = num, expand =c(0, 0)) +scale_x_continuous(breaks =seq(1988, 2025, by =1), expand =c(0, 0)) +labs(title ="Desmatamento acumulado na Amazônia Legal desde 1988",x ="Ano PRODES",y ="Área desmatada acumulada (km²)",fill ="Em relação ao\nano anterior",alpha ="Taxa anual\n(km²/ano)") +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1)) +mandatos_linhas()
PERGUNTA: Em quais mandatos predominam as barras escuras (taxa subindo)? E as claras?
Quanto cada estado já perdeu?
Por fim, pegamos o valor acumulado do último ano de cada estado e colocamos em ordem:
PERGUNTA: A área total desmatada desde 1988 equivale a quanto do território de Minas Gerais (cerca de 586 mil km²)?
Vegetação nativa em todos os biomas (MapBiomas)
Os dados do PRODES contam o que foi perdido, e só na Amazônia Legal. Agora vamos olhar o outro lado: quanto ainda existe de vegetação nativa em todos os biomas, segundo a Coleção 11 do MapBiomas.
Conhecendo a tabela
Aqui, cada linha é a combinação de um bioma, um estado e um ano. Um mesmo estado pode aparecer em mais de um bioma: Minas Gerais, por exemplo, tem partes na Mata Atlântica, no Cerrado e na Caatinga. As áreas estão em hectares (1 km² = 100 ha):
floresta_ha: formações florestais, savânicas, mangues e florestas alagáveis;
campestre_ha: vegetação herbácea e arbustiva natural (campos, áreas úmidas, afloramentos rochosos etc.);
vegetacao_nativa_ha: a soma das duas;
area_total_ha: a área total daquele estado dentro daquele bioma.
head(veg)
# A tibble: 6 × 8
bioma uf estado ano floresta_ha campestre_ha vegetacao_nativa_ha
<chr> <chr> <chr> <int> <int> <int> <int>
1 Amazônia AC Acre 1985 15880439 7053 15887492
2 Amazônia AC Acre 1986 15876871 6380 15883251
3 Amazônia AC Acre 1987 15833140 5817 15838957
4 Amazônia AC Acre 1988 15794830 5519 15800349
5 Amazônia AC Acre 1989 15753186 5337 15758523
6 Amazônia AC Acre 1990 15723796 5208 15729005
# ℹ 1 more variable: area_total_ha <int>
# período cobertorange(veg$ano)
[1] 1985 2025
# quantos estados em cada bioma?veg %>%distinct(bioma, uf) %>%count(bioma)
# A tibble: 6 × 2
bioma n
<chr> <int>
1 Amazônia 9
2 Caatinga 9
3 Cerrado 13
4 Mata Atlântica 15
5 Pampa 1
6 Pantanal 2
PERGUNTA: Por que a Amazônia tem 9 estados nesta tabela, mas Minas Gerais aparece em três biomas diferentes?
Quanto resta em cada bioma?
Somando todos os estados, temos a vegetação nativa de cada bioma, ano a ano. Note que agora o período começa em 1985, por isso passamos de = 1985 para as funções dos mandatos:
Em valores absolutos, a Amazônia domina o gráfico. Para comparar biomas de tamanhos tão diferentes, olhamos a porcentagem do bioma ainda coberta por vegetação nativa:
veg_bioma %>%ggplot(aes(x = ano, y = perc_nativa, col = bioma)) +mandatos_fundo(de =1985) +geom_line(linewidth =1.2) +scale_color_manual(values = cores_biomas) +scale_x_continuous(breaks =seq(1985, 2025, by =1), expand =c(0, 0)) +scale_y_continuous(limits =c(0, 100), expand =c(0, 0)) +labs(x ="Ano",y ="Área do bioma com vegetação nativa (%)",col ="Bioma") +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1)) +mandatos_linhas(de =1985)
PERGUNTA: Qual bioma perdeu proporcionalmente mais vegetação nativa desde 1985? E qual já tinha a menor cobertura nativa no início da série? O que isso indica sobre a história de ocupação do país?
Variação acumulada por estado
Agora vamos calcular, para cada estado dentro de cada bioma, quanto de vegetação nativa foi perdido em relação a 1985. A função first() pega o primeiro valor de cada grupo, que é o de 1985, já que ordenamos por ano:
veg_var <- veg %>%arrange(bioma, uf, ano) %>%group_by(bioma, uf) %>%mutate(perda_acumulada_ha =first(vegetacao_nativa_ha) - vegetacao_nativa_ha,perc_restante =100* vegetacao_nativa_ha /first(vegetacao_nativa_ha)) %>%ungroup()# os 10 recortes com maior perda acumulada até 2025veg_var %>%filter(ano ==max(ano)) %>%slice_max(perda_acumulada_ha, n =10) %>%select(bioma, estado, perda_acumulada_ha, perc_restante)
# A tibble: 10 × 4
bioma estado perda_acumulada_ha perc_restante
<chr> <chr> <int> <dbl>
1 Amazônia Pará 19817897 82.8
2 Amazônia Mato Grosso 15671900 66.8
3 Cerrado Mato Grosso 10497519 64.6
4 Cerrado Goiás 8329860 57.6
5 Amazônia Rondônia 7734830 64.2
6 Cerrado Tocantins 7075065 69.7
7 Cerrado Mato Grosso do Sul 6585629 44.4
8 Cerrado Maranhão 6206268 70.2
9 Cerrado Minas Gerais 5733752 71.4
10 Pampa Rio Grande do Sul 3989201 67.7
Gráfico de densidade da perda acumulada por estado
Empilhando os estados, a altura total em cada ano é a perda acumulada do bioma desde 1985, e cada faixa mostra a contribuição de um estado:
ATENÇÃO: no Pantanal, e em alguns estados da Mata Atlântica, a perda acumulada fica negativa, ou seja, há mais vegetação nativa hoje do que em 1985. Isso não é um erro! Na Mata Atlântica, reflete a regeneração de florestas. No Pantanal, os anos mais secos transformam áreas de água em campos alagáveis, que contam como vegetação nativa. Interpretar o dado exige conhecer o bioma.
Mapa de calor: quanto resta em cada estado
Por fim, um mapa de calor com a porcentagem da vegetação nativa de 1985 que ainda existia em cada ano. Com facet_grid() e space = "free_y", cada bioma ganha uma altura proporcional ao seu número de estados:
veg_var %>%ggplot(aes(x = ano,y =reorder(estado, perc_restante, FUN = min),fill = perc_restante)) +geom_tile() +facet_grid(bioma ~ ., scales ="free_y", space ="free_y") +scale_fill_distiller(palette ="RdYlGn", direction =1, limits =c(50, 115),oob = scales::squish) +scale_x_continuous(breaks =seq(1985, 2025, by =1), expand =c(0, 0)) +labs(x ="Ano",y =NULL,fill ="% da vegetação\nnativa de 1985") +theme_minimal() +theme(strip.text.y =element_text(angle =0, hjust =0),axis.text.x =element_text(angle =45, hjust =1)) +mandatos_linhas(de =1985, tamanho =2.5,so_no_painel =list(bioma ="Amazônia"))
PERGUNTA: Compare o mapa de calor do MapBiomas com o do PRODES, para os estados da Amazônia. Os estados que mais desmataram segundo o PRODES são os que perderam a maior proporção de vegetação nativa? Por que pode haver diferenças?
Extra: gráfico animado
Durante a pandemia de COVID-19 ficaram famosos os gráficos animados que mostravam, ano a ano ou dia a dia, a “corrida” entre países em número de casos. Esse tipo de gráfico é chamado de bar chart race. Vamos fazer um com os nossos dados: a perda acumulada de vegetação nativa desde 1985, somando todos os biomas de cada estado, com os 12 estados que mais perderam em cada ano e o presidente do período.
Para isso usamos o pacote gganimate, que transforma um gráfico do ggplot2 em uma animação, o gifski, que salva a animação como um arquivo .gif, fácil de compartilhar, e o transformr, que ajuda o gganimate a transformar polígonos de um quadro para o outro.
# instale apenas uma vezinstall.packages(c("gganimate", "gifski", "transformr", "tidyr"))
Preparando os dados
Primeiro somamos os biomas de cada estado, calculamos a perda em relação a 1985 (em km²) e a posição de cada estado em cada ano. Também descobrimos quem era o presidente em 1º de julho de cada ano, usando a tabela mandatos que criamos antes, e quais anos caem no período da pandemia, usando a tabela pandemia.
Cada barra será dividida em blocos, um para cada mandato presidencial: a perda de cada ano é atribuída ao presidente que governava em 1º de julho, e a perda de cada mandato vira um bloco colorido. Governos do mesmo partido aparecem em tons da mesma cor; o partido considerado é aquele pelo qual o presidente foi eleito, como titular ou como vice (por isso Itamar Franco aparece com o PRN, de Collor, e Michel Temer com o PMDB). Quando um novo mandato começa, um novo bloco passa a crescer no fim da barra. Se em algum mandato o estado ganhou vegetação (como Mato Grosso do Sul, por causa das áreas alagáveis do Pantanal), a barra recua e o bloco desse mandato aparece em tom bem claro, sobre a parte recuperada:
library("gganimate")# partido pelo qual cada presidente foi eleito (como titular ou como vice)partido_mandato <-c("Sarney"="PMDB", "Collor"="PRN", "Itamar"="PRN","FHC I"="PSDB", "FHC II"="PSDB","Lula I"="PT", "Lula II"="PT","Dilma I"="PT", "Dilma II"="PT","Temer"="PMDB", "Bolsonaro"="PSL", "Lula III"="PT")# cores dos mandatos, em ordem cronológica: governos do mesmo partido# aparecem em tons da mesma paleta (PT em verdes, PSDB em azuis, PMDB em# amarelos, PRN em rosas, PSL em roxo)cores_mandatos <-c("Sarney"="#fec44f", "Collor"="#fa9fb5","Itamar"="#c51b8a","FHC I"="#9ecae1", "FHC II"="#3182bd","Lula I"="#c7e9c0", "Lula II"="#a1d99b","Dilma I"="#74c476", "Dilma II"="#31a354","Temer"="#cc8a00", "Bolsonaro"="#807dba","Lula III"="#006d2c")# rótulos da legenda: "Lula I (PT)", "FHC II (PSDB)"...rotulos_mandatos <-paste0(names(cores_mandatos), " (", partido_mandato[names(cores_mandatos)], ")")names(rotulos_mandatos) <-names(cores_mandatos)# barras com cantos arredondados: cada retângulo vira um polígono de 20 pontos,# 5 em cada canto, formando um quarto de círculo. Como o eixo horizontal muda a# cada ano (por causa do view_follow), o raio na horizontal é uma pequena fração# da maior barra do ano. "grupo" identifica cada barra (ou bloco).arredondar <-function(dados, inicio, fim, grupo, largura =0.425, raio =0.16) { maximo <- dados %>%group_by(ano) %>%summarise(M =max(abs({{ fim }}), 1)) angulos <- tibble::tibble(ponto =1:20,canto =rep(1:4, each =5),t =c(seq(pi, 1.5* pi, length.out =5), seq(1.5* pi, 2* pi, length.out =5),seq(0, 0.5* pi, length.out =5), seq(0.5* pi, pi, length.out =5))) dados %>%mutate(grupo = {{ grupo }},h0 =pmin({{ inicio }}, {{ fim }}), h1 =pmax({{ inicio }}, {{ fim }}),v0 = posicao - largura, v1 = posicao + largura) %>%left_join(maximo, by ="ano") %>%mutate(rh =pmin(0.01* M, (h1 - h0) /2), # raio na horizontalrv = raio) %>%# raio na vertical tidyr::crossing(angulos) %>%mutate(cv =ifelse(canto %in%c(1, 4), v0 + rv, v1 - rv), # centro do cantoch =ifelse(canto %in%c(1, 2), h0 + rh, h1 - rh),vertical = cv + rv *cos(t),horizontal = ch + rh *sin(t)) %>%arrange(ano, grupo, ponto)}# presidente em 1º de julho de cada anopresidente_do_ano <-function(anos) {sapply(anos, function(a) { meio_do_ano <- a +0.5 mandatos$rotulo[mandatos$inicio_ano <= meio_do_ano & mandatos$fim_ano > meio_do_ano][1] })}corrida <- veg %>%group_by(uf, estado, ano) %>%summarise(vegetacao_nativa_ha =sum(vegetacao_nativa_ha), .groups ="drop") %>%arrange(uf, ano) %>%group_by(uf) %>%mutate(perda_km2 = (first(vegetacao_nativa_ha) - vegetacao_nativa_ha) /100) %>%group_by(ano) %>%mutate(posicao =rank(-perda_km2, ties.method ="first")) %>%ungroup() %>%filter(posicao <=12)# vetor com o nome do presidente, usando o ano como nomepresidentes <-setNames(presidente_do_ano(1985:2025), 1985:2025)# perda de cada estado em cada ano, atribuída ao presidente em 1º de julhoperda_anual <- veg %>%group_by(uf, ano) %>%summarise(vegetacao_nativa_ha =sum(vegetacao_nativa_ha), .groups ="drop") %>%arrange(uf, ano) %>%group_by(uf) %>%mutate(perda_ano_km2 = (lag(vegetacao_nativa_ha) - vegetacao_nativa_ha) /100,perda_ano_km2 =coalesce(perda_ano_km2, 0)) %>%# 1985 não tem ano anteriorungroup() %>%mutate(mandato = presidentes[as.character(ano)])# blocos das barras: para cada ano da animação (ano) e cada estado do top 12,# soma a perda de cada mandato até aquele ano e empilha os mandatos em ordemblocos <- corrida %>%select(ano, uf, posicao) %>%inner_join(perda_anual %>%select(uf, ano_perda = ano, mandato, perda_ano_km2),by ="uf", relationship ="many-to-many") %>%filter(ano_perda <= ano) %>%mutate(mandato =factor(mandato, levels =names(cores_mandatos))) %>%group_by(ano, uf, posicao, mandato) %>%summarise(perda_mandato =sum(perda_ano_km2), .groups ="drop") %>%# mandatos que ainda não começaram entram com perda zero, no fim da barra:# assim o gganimate já "conhece" o bloco e o faz crescer suavemente tidyr::complete(tidyr::nesting(ano, uf, posicao), mandato,fill =list(perda_mandato =0)) %>%arrange(ano, uf, mandato) %>%group_by(ano, uf) %>%mutate(fim =cumsum(perda_mandato), # onde o bloco terminainicio = fim - perda_mandato) %>%# onde o bloco começaungroup() %>%# mandato em que o estado GANHOU vegetação: bloco claro, recuando a barramutate(transparencia =ifelse(perda_mandato <0, 0.25, 0.95))blocos %>%filter(ano ==2025, uf =="MT", perda_mandato !=0)# fim visível de cada barra (onde vai o número): quando a barra recua,# o bloco mais longo vai além do total, e o número fica depois delecorrida <- corrida %>%left_join(blocos %>%group_by(ano, uf) %>%summarise(fim_barra =max(pmax(inicio, fim)), .groups ="drop"),by =c("ano", "uf"))# anos da pandemia (também em 1º de julho), para o destaque em vermelhoanos <-1985:2025eventos <-ifelse(anos +0.5>= pandemia$inicio_ano & anos +0.5< pandemia$fim_ano,"Pandemia de COVID-19", "")eventos[anos ==2020] <-"Início da pandemia de COVID-19\ne das quarentenas estaduais"names(eventos) <- anoseventos[eventos !=""]corrida
Um mini-gráfico dentro do gráfico
No canto inferior direito do gráfico, onde as barras não chegam, vamos colocar um mini-gráfico com a vegetação nativa do Brasil inteiro, em que o total de 1985 vale 100%. O fundo verde é o que resta, e as barras marrons vão acumulando, ano a ano, o que foi perdido. Como no gráfico do desmatamento acumulado da Amazônia Legal, cada barra é marrom clara quando a perda anual caiu em relação ao ano anterior e marrom escura quando subiu, com a intensidade da cor proporcional à perda daquele ano. Assim dá para ver não só quem perdeu mais, mas também quanto ainda resta. A cada troca de governo, uma linha vertical aparece no mini-gráfico, com o nome do novo presidente, que some depois de dois anos.
O gganimate não anima um gráfico separado dentro de outro, então desenhamos o mini-gráfico no próprio espaço do gráfico principal, com retângulos (geom_rect()). Como o eixo do gráfico principal muda a cada ano (por causa do view_follow()), as posições dos retângulos são calculadas, para cada quadro, como uma fração da maior barra daquele ano:
# fração da vegetação nativa de 1985 já perdida no Brasil, ano a anoperda_brasil <- veg %>%group_by(ano) %>%summarise(vegetacao_nativa_ha =sum(vegetacao_nativa_ha)) %>%mutate(fracao_perdida =1- vegetacao_nativa_ha /first(vegetacao_nativa_ha),restante_km2 = vegetacao_nativa_ha /100,perdida_km2 = (first(vegetacao_nativa_ha) - vegetacao_nativa_ha) /100,# perda de cada ano e se ela subiu ou caiu em relação ao ano anterior,# como no gráfico do desmatamento acumulado da Amazônia Legalperda_ano_km2 = (lag(vegetacao_nativa_ha) - vegetacao_nativa_ha) /100,variacao =case_when(is.na(lag(perda_ano_km2)) ~"sem ano anterior", perda_ano_km2 >lag(perda_ano_km2) ~"subiu",TRUE~"caiu ou se manteve"),intensidade = scales::rescale(perda_ano_km2, to =c(0.35, 1)),intensidade =coalesce(intensidade, 0.6))perda_brasil %>%filter(ano %in%c(1985, 2005, 2025))porcentagem <- scales::label_percent(accuracy =0.1, decimal.mark =",")# posição padrão do mini-gráfico (argumentos de camadas_inset(), abaixo):# na vertical, da posição 7,75 (topo) à 12,45 (base, abaixo da 12ª barra);# na horizontal, de 55% a 97% da maior barra do ano# calcula os retângulos do mini-gráfico para cada quadro (ano) da corridadados_inset <-function(corrida, topo_inset, base_inset, esq_inset, dir_inset) { maximo <- corrida %>%group_by(ano) %>%summarise(M =max(perda_km2, 1)) # maior barra do ano anos_inset <- perda_brasil$ano largura <- (dir_inset - esq_inset) /length(anos_inset)expand.grid(ano = maximo$ano, ano_inset = anos_inset) %>%left_join(maximo, by ="ano") %>%left_join(perda_brasil %>%select(ano_inset = ano, fracao_perdida, restante_km2, perdida_km2, variacao, intensidade),by ="ano_inset") %>%# anos que ainda não chegaram ficam com altura zeromutate(fracao =ifelse(ano_inset <= ano, fracao_perdida, 0),esquerda = M * (esq_inset + (ano_inset -min(anos_inset)) * largura),direita = esquerda + M * largura,alto = base_inset - fracao * (base_inset - topo_inset))}# camadas do ggplot2 com o mini-gráfico# (os argumentos permitem mudar a posição do mini-gráfico em cada animação)camadas_inset <-function(corrida,topo_inset =7.75, base_inset =12.45,esq_inset =0.55, dir_inset =0.97) { inset <-dados_inset(corrida, topo_inset, base_inset, esq_inset, dir_inset) caixa <- inset %>%filter(ano_inset == ano) %>%mutate(pct_restante =porcentagem(1- fracao),km2_restante =paste(num(round(restante_km2)), "km²"),pct_perdida =porcentagem(fracao),km2_perdida =paste(num(round(perdida_km2)), "km²"),# como fatores, o gganimate troca os textos de um ano para o outro# (como texto simples, ele tentaria "misturá-los" como se fossem cores)across(c(pct_restante, km2_restante, pct_perdida, km2_perdida), factor))# trocas de governo: uma linha por quadro (ano) e mandato largura <- (dir_inset - esq_inset) /length(perda_brasil$ano) transicoes <-expand.grid(ano = caixa$ano, i =seq_len(nrow(mandatos))) %>%left_join(caixa %>%select(ano, M), by ="ano") %>%mutate(rotulo = mandatos$rotulo[i],inicio =pmax(mandatos$inicio_ano[i], min(perda_brasil$ano)),horizontal = M * (esq_inset + (inicio -min(perda_brasil$ano)) * largura),# a linha aparece quando o mandato começa e fica até o fimlinha =ifelse(inicio <= ano +0.5& inicio >min(perda_brasil$ano) +0.5, 0.8, 0),# o nome aparece no início do mandato e some depois de 2 anosnome =ifelse(presidentes[as.character(ano)] == rotulo & ano +0.5< inicio +2, 1, 0),# perto do fim do mini-gráfico, o nome fica à esquerda da linhalado =ifelse(inicio >2013, 1.08, -0.08))list(# fundo verde: a vegetação nativa de 1985 inteira (100%)geom_rect(data = caixa,aes(xmin = topo_inset, xmax = base_inset,ymin = M * esq_inset, ymax = M * dir_inset),fill ="#d4ebd0", colour =NA,inherit.aes =FALSE),# área perdida, acumulando ano a ano: uma barra por ano, marrom claro quando# a perda anual caiu, marrom escuro quando subiu, com intensidade# proporcional à perda daquele ano (uma camada para cada cor)# fundo branco sob as barras, para o verde não aparecer através delasgeom_rect(data = inset,aes(xmin = alto, xmax = base_inset, ymin = esquerda, ymax = direita,group = ano_inset),fill ="white", inherit.aes =FALSE),geom_rect(data = inset %>%filter(variacao =="caiu ou se manteve"),aes(xmin = alto, xmax = base_inset, ymin = esquerda, ymax = direita,alpha = intensidade, group = ano_inset),fill ="#c8a165", inherit.aes =FALSE),geom_rect(data = inset %>%filter(variacao =="subiu"),aes(xmin = alto, xmax = base_inset, ymin = esquerda, ymax = direita,alpha = intensidade, group = ano_inset),fill ="#5b3412", inherit.aes =FALSE),geom_rect(data = inset %>%filter(variacao =="sem ano anterior"),aes(xmin = alto, xmax = base_inset, ymin = esquerda, ymax = direita,alpha = intensidade, group = ano_inset),fill ="grey60", inherit.aes =FALSE),# títulos e rótulos do mini-gráficogeom_text(data = caixa,aes(x = topo_inset -0.85, y = M * esq_inset,label ="Vegetação nativa do Brasil (1985 = 100%)"),hjust =0, size =4, fontface ="bold", inherit.aes =FALSE),geom_text(data = caixa,aes(x = topo_inset -0.35, y = M * esq_inset,label ="perda anual: clara quando caiu, escura quando subiu"),hjust =0, size =3.2, colour ="#5b3412", inherit.aes =FALSE),# área restante e perdida, em três colunas alinhadas: nome (à esquerda),# porcentagem e km² (alinhados à direita), em posições proporcionais à# largura do mini-gráficogeom_text(data = caixa,aes(x = topo_inset +0.35, y = M * (esq_inset +0.02* (dir_inset - esq_inset)),label ="Área restante:"),hjust =0, size =3.6, fontface ="bold", colour ="grey15",inherit.aes =FALSE),geom_text(data = caixa,aes(x = topo_inset +0.85, y = M * (esq_inset +0.02* (dir_inset - esq_inset)),label ="Área perdida:"),hjust =0, size =3.6, fontface ="bold", colour ="grey15",inherit.aes =FALSE),geom_text(data = caixa,aes(x = topo_inset +0.35, y = M * (esq_inset +0.52* (dir_inset - esq_inset)),label = pct_restante),hjust =1, size =3.6, colour ="grey15", inherit.aes =FALSE),geom_text(data = caixa,aes(x = topo_inset +0.85, y = M * (esq_inset +0.52* (dir_inset - esq_inset)),label = pct_perdida),hjust =1, size =3.6, colour ="grey15", inherit.aes =FALSE),geom_text(data = caixa,aes(x = topo_inset +0.35, y = M * (esq_inset +0.96* (dir_inset - esq_inset)),label = km2_restante),hjust =1, size =3.6, colour ="grey15", inherit.aes =FALSE),geom_text(data = caixa,aes(x = topo_inset +0.85, y = M * (esq_inset +0.96* (dir_inset - esq_inset)),label = km2_perdida),hjust =1, size =3.6, colour ="grey15", inherit.aes =FALSE),geom_text(data = caixa,aes(x = base_inset +0.3, y = M * esq_inset, label ="1985"),hjust =0, size =3.3, colour ="grey30", inherit.aes =FALSE),geom_text(data = caixa,aes(x = base_inset +0.3, y = M * dir_inset, label ="2025"),hjust =1, size =3.3, colour ="grey30", inherit.aes =FALSE),# linha em cada troca de governo, que aparece quando a animação chega lá# (só na metade de baixo, para não passar por cima dos números)geom_segment(data = transicoes,aes(x = (topo_inset + base_inset) /2, xend = base_inset,y = horizontal, yend = horizontal,alpha = linha, group = rotulo),colour ="grey20", linewidth =0.4, inherit.aes =FALSE),# nome do presidente, que aparece junto com a linha e some depoisgeom_text(data = transicoes,aes(x = topo_inset + (base_inset - topo_inset) *0.62,y = horizontal, label = rotulo,alpha = nome, hjust = lado, group = rotulo),size =3.8, fontface ="bold", colour ="grey10",inherit.aes =FALSE),scale_alpha_identity() )}
Construindo a animação
O gráfico é montado como um gráfico comum do ggplot2. A diferença está nas últimas linhas:
transition_states(ano) cria um quadro para cada ano e faz a transição suave entre eles;
{closest_state} no título é substituído pelo ano mostrado em cada quadro; no subtítulo e no tag (o texto em vermelho), ele é usado para buscar o presidente e o destaque da pandemia daquele ano nos vetores presidentes e eventos;
view_follow() faz o eixo acompanhar o crescimento das barras;
ease_aes() controla a “aceleração” do movimento.
As barras são desenhadas com geom_polygon(), um polígono de cantos arredondados para cada bloco (estado e mandato), em vez de geom_col(): assim cada bloco pode deslizar suavemente de uma posição para outra quando os estados trocam de lugar. A função arredondar(), que criamos acima, transforma cada bloco em um polígono com um quarto de círculo em cada canto, e a coluna grupo (paste(uf, mandato)) diz ao gganimate qual bloco de um ano corresponde a qual bloco do ano seguinte.
animacao <- corrida %>%ggplot(aes(x = posicao, group = uf)) +# barras em blocos arredondados, um por mandatogeom_polygon(data =arredondar(blocos, inicio, fim, paste(uf, mandato)),aes(x = vertical, y = horizontal,fill = mandato, alpha = transparencia, group = grupo),inherit.aes =FALSE) +# nome do estado, à esquerda da barrageom_text(aes(y =0, label =paste0(estado, " ")),hjust =1, size =4.5) +# valor (perda total), no fim da barrageom_text(aes(y = fim_barra, label =paste0(" ", num(round(perda_km2)), " km²")),hjust =0, size =4.5) +# mini-gráfico da vegetação nativa do Brasilcamadas_inset(corrida) +coord_flip(clip ="off", expand =FALSE) +scale_x_reverse() +scale_y_continuous(labels = num) +scale_fill_manual(values = cores_mandatos, labels = rotulos_mandatos,drop =FALSE) +guides(fill =guide_legend(nrow =3)) +labs(title ="Desmatamento no Brasil · {closest_state}",subtitle ="Presidente: {presidentes[closest_state]}",tag ="{eventos[closest_state]}", # destaque da pandemiay ="Perda acumulada de vegetação nativa desde 1985 (km²)",x =NULL,fill ="Perda em cada\nmandato (partido)",caption ="Dados: MapBiomas, Coleção 11 · heronoh.github.io/bioinfo") +theme_minimal(base_size =15) +theme(plot.title =element_text(size =26, face ="bold"),plot.subtitle =element_text(size =18),axis.text.y =element_blank(),axis.ticks.y =element_blank(),panel.grid.major.y =element_blank(),panel.grid.minor =element_blank(),legend.position ="bottom",legend.text =element_text(size =11),# o "tag" vai no canto superior direito, em vermelho escuroplot.tag =element_text(colour = cor_pandemia, face ="bold",size =17, hjust =1, lineheight =0.9),plot.tag.position =c(0.97, 0.925),plot.margin =margin(15, 120, 15, 160)) +transition_states(ano, transition_length =4, state_length =1,wrap =FALSE) +# termina em 2025, sem voltar a 1985view_follow(fixed_x =TRUE) +ease_aes("cubic-in-out")
Gerando e salvando o GIF
A função animate() desenha todos os quadros. Isso pode levar alguns minutos. Depois, anim_save() salva o resultado como .gif na sua pasta de trabalho:
gif <-animate(animacao,nframes =800, # número total de quadrosfps =20, # quadros por segundo (800 / 20 = 40 segundos)end_pause =120, # segura o último quadro por 6 segundoswidth =1280, height =720, res =90, # resolução HD (1280 × 720)renderer =gifski_renderer())gif # mostra a animação no painel Viewer do RStudioanim_save("desmatamento_animado.gif", gif)
