27:null 28:["$","title",null,{"children":"Trabalho 02 - Focos de Incêndio no Brasil de 2019 a 2022 | Marcos Lage | Observable"}] 2d:T751,{ let bioma_amazonia = vl.markLine({ point: false, color: '#0000ff'}) .title("Amazônia") .data(focos_br_full_modificado2) .transform( vl.filter("datum.bioma == 'Amazônia'"), vl.groupby(['bioma', 'data']) .aggregate(vl.count().as('count')) ) .encode( vl.x().fieldN('data').axis(null).title('Ano'), vl.y().fieldQ('count').title('Total Focos').scale({domain:[0,45000]}), vl.tooltip([ {"field": "data", "type": "nominal", "title": "Data"}, {"field": "count", "type": "numeric", "title": "Focos"} ]) ).width(300).height(300); let bioma_pantanal = vl.markLine({ point: false, color: '#6c6377'}) .title("Pantanal") .data(focos_br_full_modificado2) .transform( vl.filter("datum.bioma == 'Pantanal'"), vl.groupby(['bioma', 'data']) .aggregate(vl.count().as('count')) ) .encode( vl.x().fieldN('data').axis(null).title('Ano'), vl.y().fieldQ('count').title('Total Focos').scale({domain:[0,45000]}), vl.tooltip([ {"field": "data", "type": "nominal", "title": "Data"}, {"field": "count", "type": "numeric", "title": "Focos"} ]) ).width(300).height(300); let bioma_cerrado = vl.markLine({point: false, color: '#008000'}) .title("Cerrado") .data(focos_br_full_modificado2) .transform( vl.filter("datum.bioma == 'Cerrado'"), vl.groupby(['bioma', 'data']) .aggregate(vl.count().as('count')) ) .encode( vl.x().fieldN('data').axis(null).title('Ano'), vl.y().fieldQ('count').title('Total Focos').scale({domain:[0,45000]}), vl.tooltip([ {"field": "data", "type": "nominal", "title": "Data"}, {"field": "count", "type": "numeric", "title": "Focos"} ]) ).width(300).height(300); return vl.hconcat( vl.layer(bioma_amazonia), vl.layer(bioma_pantanal), vl.layer(bioma_cerrado) ).render(); }2e:T756,{ let bioma_caatinga = vl.markLine({ point: false, color: '#f67c41'}) .title("Caatinga") .data(focos_br_full_modificado2) .transform( vl.filter("datum.bioma == 'Caatinga'"), vl.groupby(['bioma', 'data']) .aggregate(vl.count().as('count')) ) .encode( vl.x().fieldN('data').axis(null).title('Ano'), vl.y().fieldQ('count').title('Total Focos').scale({domain:[0,45000]}), vl.tooltip([ {"field": "data", "type": "nominal", "title": "Data"}, {"field": "count", "type": "numeric", "title": "Focos"} ]) ).width(300).height(300); let bioma_atlantica = vl.markLine({ point: false, color: '#ff0000'}) .title("Mata Atlântica") .data(focos_br_full_modificado2) .transform( vl.filter("datum.bioma == 'Mata Atlântica'"), vl.groupby(['bioma', 'data']) .aggregate(vl.count().as('count')) ) .encode( vl.x().fieldN('data').axis(null).title('Ano'), vl.y().fieldQ('count').title('Total Focos').scale({domain:[0,45000]}), vl.tooltip([ {"field": "data", "type": "nominal", "title": "Data"}, {"field": "count", "type": "numeric", "title": "Focos"} ]) ).width(300).height(300); let bioma_pampa= vl.markLine({point: false, color: '#4b0082'}) .title("Pampa") .data(focos_br_full_modificado2) .transform( vl.filter("datum.bioma == 'Pampa'"), vl.groupby(['bioma', 'data']) .aggregate(vl.count().as('count')) ) .encode( vl.x().fieldN('data').axis(null).title('Ano'), vl.y().fieldQ('count').title('Total Focos').scale({domain:[0,45000]}), vl.tooltip([ {"field": "data", "type": "nominal", "title": "Data"}, {"field": "count", "type": "numeric", "title": "Focos"} ]) ).width(300).height(300); return vl.hconcat( vl.layer(bioma_caatinga), vl.layer(bioma_atlantica), vl.layer(bioma_pampa) ).render(); }2f:T477,

Para abordar essa questão, inicialmente optei por criar visualizações, do tipo de gráfico de linha, distintas para cada bioma, buscando proporcionar uma compreensão clara da linha do tempo específica de cada **bioma**. Decidi por padronizar a escala de valores em **45 mil** com o intuito de uniformizar a representação, para facilitar a comparação entre os diferentes biomas. As cores selecionadas para as visualizações foram escolhidas seguindo o padrão da visualização com interatividade vista acima.
A segunda visualização **unifica todos os biomas em um único gráfico de linhas**, mantendo a representação do índice de focos de incêndio ao longo dos meses entre os anos. Nesse gráfico, **os pontos nos vértices de cada mês indicam a quantidade de incêndios**, associada ao bioma, ano e mês correspondentes. Essa visualização oferece analisar simultaneamente os biomas.
Além disso, é possível existe uma interatividade na legenda que possibilita ao usuário visualizar os resultados de forma segmentada, ao clicar em um bioma específico na legenda.

30:T47b,

Para abordar esta questão, optei por desenvolver uma visualização por meio de um gráfico de barras horizontais, visando proporcionar clareza na distinção de cores correspondentes a cada bioma. A visualização incorpora um elemento interativo que permite a alteração dos anos, sendo que, ao ajustar o controle de rolagem para um valor específico, os **dados exibidos no gráfico se atualizam conforme o ano selecionado**. As cores utilizadas seguem o mesmo padrão da questão anterior.
O gráfico apresenta a quantidade de focos de incêndio por **estado**, agrupando-os de acordo com o **bioma** predominante em cada região.
Ao posicionar o cursor sobre uma cor específica no gráfico, são revelados os números de focos de incêndio referentes àquele bioma.
A visualização proporciona uma compreensão visual imediata das **áreas mais afetadas** no Brasil. **Facilitando** a identificação dos biomas que precisam de uma **atenção mais prioritária**, para a criação de estratégias eficazes para combater os incêndios e **promover a preservação ambiental**.

31:T502,

Para abordar esta questão, optei por desenvolver uma visualização por meio de um gráfico de barras verticais, visando proporcionar clareza na distinção do valor para cada estado. A visualização incorpora dois elementos interativos que permite a alteração dos anos e dos meses, sendo que, ao ajustar o controle de rolagem para um valor específico, os **dados exibidos no gráfico se atualizam conforme o ano e/ou mês selecionado**. As cores utilizadas deixam de seguir o padrão das questão anteriores e começam a representar os focos de incêndio, por esse motivo o **vermelho** foi a melhor opção de cor para representar a visualização.
O gráfico apresenta a quantidade de focos de incêndio por **estado**.
Ao posicionar o cursor sobre uma cor específica no gráfico, são revelados os números de focos de incêndio por estado referentes ao mês e ano selecionado.
A visualização proporciona uma compreensão visual imediata dos **estados mais afetadas** do Brasil. **Facilitando** a identificação dos estados que precisam de uma **atenção mais prioritária**, para que seja possível a criação de estratégias eficazes para combater os incêndios e **promover a preservação ambiental**.

32:[{"id":"fbfad5dd9fc931f10ed5569f688b318a0feb269fdb7a5cfb74a3f024d42f3fa5150d36012ec4b9812c939d98a93eae6c8e910de894287b8ebd0594151f6f90d9","href":"https://static.observableusercontent.com/files/fbfad5dd9fc931f10ed5569f688b318a0feb269fdb7a5cfb74a3f024d42f3fa5150d36012ec4b9812c939d98a93eae6c8e910de894287b8ebd0594151f6f90d9","name":"focos_br_full_modificado2.csv","type":"text/csv","lastModified":1702388561200.502,"size":46952175}] 2b:{"id":"ac1bb5ebcafe4834","slug":null,"title":"Trabalho 02 - Focos de Incêndio no Brasil de 2019 a 2022","thumbnail":null,"access_level":"public","create_time":"$D2023-12-12T13:42:41.200Z","update_time":"$D2023-12-12T13:43:47.815Z","view_time":null,"first_public_time":"$D2023-12-12T13:42:41.200Z","has_unpublished_edits":null,"fork":{"id":"ab9226678a1358b1","slug":null,"title":"Trabalho 02 - Focos de Incêndio no Brasil de 2019 a 2022","owner":{"id":"f4815ab30e021fa3","login":"breno-silva-braido-ws","name":"Breno Silva Braido's Workspace"}},"stars":0,"starred":false,"owner":{"type":"team","id":"b56cd86b9f048540","login":"mlage","name":"Marcos Lage","avatar_url":"https://avatars-next.observableusercontent.com/5a7bd22b657c0e1224801f5729eac05c2b33a163251a927aa4ea576bdcf55e46","tier":"starter_2024"},"version":449,"publish_version":null,"role":null,"authored":false,"authors":[{"type":"individual","id":"9c9fd3702a791124","login":"mlage","name":"Marcos Lage","avatar_url":"https://avatars-next.observableusercontent.com/5a7bd22b657c0e1224801f5729eac05c2b33a163251a927aa4ea576bdcf55e46","tier":null}],"members":[{"type":"individual","id":"9c9fd3702a791124","login":"mlage","name":"Marcos Lage","avatar_url":"https://avatars-next.observableusercontent.com/5a7bd22b657c0e1224801f5729eac05c2b33a163251a927aa4ea576bdcf55e46","tier":null,"role":"editor"}],"comments":[],"custom_thumbnail":false,"trashed":false,"lapsed":null,"subscribed":null,"forks":0,"collection":null,"type":"notebook","body":{"title":"Trabalho 02 - Focos de Incêndio no Brasil de 2019 a 2022","cells":[{"id":0,"value":"# Trabalho 02 - Focos de Incêndio no Brasil de 2019 a 2022","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":448,"value":"Nota 10 (Excelente!)","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":277,"value":"**Aluno:** Breno Silva Braido
\n**Disciplina:** Visualização de Dados 2023.2 ","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":5,"value":"## Descrição\n\n

\nNeste trabalho, serão apresentadas e respondidas indagações referentes ao conjunto de dados acerca dos focos de incêndio no Brasil. As respostas para todas as perguntas serão formuladas por meio de visualizações de dados que serão construídos usando a biblioteca vega-lite do JavaScript.
\nDepois de responder às perguntas com as visualizações, vou falar sobre o por que escolhi aquela representação gráfica específica e os elementos estão nela. Por último, vou analisar as informações que consegui extrair da visualização.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":281,"value":"## Sobre o Data set","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":287,"value":"

\nO Dataset foi retirado dos dados do **INPE**: https://dataserver-coids.inpe.br/queimadas/queimadas/focos/csv/anual/Brasil_sat_ref/\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":7,"value":"### Focos de Incêndio no Brasil ","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":285,"value":"

\nNeste trabalho, vamos falar sobre um data set dos incêndios que aconteceram no Brasil entre 2019 e 2022, durante o último mandato presidencial.
\nEsse data set é interessante porque possui várias informações úteis. Cada incêndio tem um **id** único, o que ajuda a separar cada ocorrência. As coordenadas de **latitude** e **longitude** dão a localização exata de onde ocorreu o foco. A **data** mostra o mês e o ano que ocorreu o foco de incêndio, e as colunas de **estado** e **município** indicam onde foi o incêndio. Além disso, tem uma categoria de **bioma** que mostra em qual tipo de ecossistema o fogo aconteceu.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":13,"value":"focos_br_full_modificado2 = await FileAttachment(\"focos_br_full_modificado2.csv\").csv({typed: \"auto\"})","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"focos_br_full_modificado2","database":"$undefined"},{"id":253,"value":"## Transformações nos Dados","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":292,"value":"

\nO data set passou por um processo amplo de ETL, no qual diversas modificações foram implementadas visando otimizar sua utilidade no Observable e facilitar a criação de visualizações relevantes.
\nAs alterações incluem a modificação do nome e valores na coluna **id**, visando proporcionar uma identificação mais consistente.
\nAs colunas **latitude** e **longitude** foram renomeadas para aprimorar a compreensão.
\nA coluna **data** foi ajustada para restringir-se a ano e mês, otimizando assim a capacidade de criar visualizações temporais mais eficazes.
\nA coluna **estado**, originalmente continha os nomes completos dos estados, foi realizada uma alteração para adotar a sigla UF de cada estado. Essa modificação foi efetuada com o intuito de simplificar a representação dos dados geográficos.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":94,"value":"function extrairAno() {\n \n const focos_br_full = focos_br_full_modificado2\n const resultado = focos_br_full.map(item => {\n const novoItem = { ...item };\n const dataObj = new Date(item.data);\n const ano = dataObj.getFullYear();\n novoItem.ano = ano;\n return novoItem;\n });\n return resultado;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":96,"value":"dataComAno = extrairAno();","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":150,"value":"function extrairMes() {\n const dados = dataComAno\n const resultado = dados.map(item => {\n const novoItem = { ...item };\n const dataObj = new Date(item.data);\n const mes = dataObj.getMonth() +1;\n novoItem.mes = mes;\n return novoItem;\n });\n return resultado;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":153,"value":"dataComMes = extrairMes();","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":17,"value":"function extrairBiomas() {\n const data = focos_br_full_modificado2;\n const biomas = [];\n\n data.forEach((registro) => {\n if (!biomas.includes(registro.bioma)) {\n biomas.push(registro.bioma);\n }\n });\n\n return biomas;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":19,"value":"biomas = extrairBiomas();","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":302,"value":"

\nAs transformações acima foram desenvolvidas com o propósito de ajustar os dados, possibilitando a criação de visualizações gráficas interativas.
\nA variável **dataComAno** foi criada como um array como resultado da aplicação da função de extração do ano sobre a coluna \"data\". Essa medida visa viabilizar o desenvolvimento da interação associada à pergunta **3**, conforme será visto adiante.
\nA variável **dataComMes** foi criada como um array como resultado da aplicação da função de extração do mês sobre a coluna \"data\", Essa medida visa viabilizar o desenvolvimento da interação associada à pergunta **4**, conforme será visto adiante.
\nA variável **biomas** foi criada para armazenar os diferentes biomas presentes no conjunto de dados, proporcionando uma visualização mais clara dos biomas que serão utilizados na formulação do questionamento **1**.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":251,"value":"## (1) Qual a distribuição temporal dos focos de incêndio ao longo do tempo por Bioma?","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":307,"value":"

\nNessa questão olharemos como os incêndios se espalham ao longo do tempo, divididos por biomas. Procurando entender se há padrões sazonais para os focos de incêndio.
\nAnalisar essa distribuição temporal vai nos ajudar a descobrir o que influencia os incêndios em cada região e época.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":24,"value":"$2d","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":41,"value":"$2e","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":51,"value":"{ \n const selection = vl.selectPoint('Select')\n .fields('bioma')\n .bind('legend')\n .init(false);\n\n return vl.markLine({strokeWidth: 3, interpolate: 'monotone', point: true})\n .data(focos_br_full_modificado2)\n .params(selection)\n .title({ text: 'Distribuição temporal dos focos de incêndio ao longo dos anos', anchor: 'middle', fontSize: 16, fontWeight: 'bold', offset: 20})\n .transform(\n vl.groupby(['bioma', 'data'])\n .aggregate(vl.count().as('count'))\n )\n .encode(\n vl.x().fieldN('data').title('Período'),\n vl.y().fieldQ('count').title('Total de Focos'),\n vl.color().fieldN('bioma').scale({scheme: \"category10\"}).legend({orient: 'right'}).title('Bioma'),\n vl.tooltip([\n {\"field\": \"data\", \"type\": \"nominal\", \"title\": \"Data\"},\n {\"field\": \"count\", \"type\": \"numeric\", \"title\": \"Focos\"},\n {\"field\": \"bioma\", \"type\": \"nominal\", \"title\": \"Bioma\"},\n ]),\n vl.opacity().if(selection, vl.value(0.85)).value(0.02)\n )\n .width(950)\n .height(500)\n .render();\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":321,"value":"### Explicação da Visualização","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":319,"value":"$2f","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":325,"value":"### Análise dos Resultados Obtidos","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":327,"value":"

\nAo analisar a visualização, observa-se claramente a presença de uma sazonalidade que impacta no aumento dos focos de incêndio, abrangendo o período de **junho** a **setembro**. Este intervalo corresponde à estação do **Inverno** no Brasil, historicamente caracterizada por uma **notável redução nos índices pluviométricos**. Destaca-se, no resultado obtido, que o bioma **Amazônia** figura como o **mais afetado** por incêndios.
\nA análise também evidencia a relevância alarmante dos focos de incêndio na Amazônia, tornando-se particularmente preocupante. Em setembro de 2022, notamos que o número de focos nesse bioma **ultrapassou em quase 10 mil unidades** o segundo maior índice registrado no período analisado. Esse dado sugere que o bioma enfrentou um dos mais significativos surtos de incêndios da história recente do Brasil.\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":268,"value":"## (2) Qual a quantidade de focos de incêndio por Estado e Bioma a cada ano?","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":336,"value":"

\nNessa questão vamos investigar a quantidade anual de focos de incêndio no Brasil, olhando para cada estado e bioma.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":79,"value":"{\n const slider = vl.param(\"filtra_ano\")\n .value(2019)\n .bind(vl.slider(2019, 2022, 1).name('Ano: '))\n\n return vl.markBar()\n .data(dataComAno)\n .params(slider)\n .title({ text: 'Quantidade de Focos de Incêndio por Bioma a cada Ano', anchor: 'middle', fontSize: 16, fontWeight: 'bold', offset: 20})\n .transform(\n vl.filter('datum.ano == filtra_ano')\n )\n .encode(\n vl.y().fieldN('estado').title(\"Estados\").sort(vl.count(\"estado\").order('descending')),\n vl.x().count(\"data\").title(\"Quantidade de Focos de Incêndio\"),\n vl.color().fieldN(\"bioma\").scale({scheme: 'category10'}).title('Biomas'),\n vl.tooltip().count(),\n vl.opacity().if(slider, vl.value(0.95)).value(0.02)\n )\n .height(350)\n .width(1000)\n .render();\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":342,"value":"### Explicação da Visualização","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":351,"value":"$30","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":344,"value":"### Análise dos Resultados Obtidos","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":359,"value":"

\nAo analisar a visualização, verificamos que os estados de **Mato Grosso** e **Pará** demandam **atenção prioritária** no que tange os incêndios, sendo **os dois estados com a maior incidência de focos de incêndio**. Vemos que **ambos alternam entre o primeiro e o segundo lugar ao longo do período** analisado, especialmente no bioma **Amazônia**, os valores totais de ambos superam de maneira significativa os estados que se revezam na terceira posição.
\nEm contrapartida, o estado de **Sergipe se mantem sempre na última colocação** em todos os anos analisados no trabalho. Mesmo sendo um estado que historicamente sofre com condições propicias ao calor, o estado se mantém sempre como o estado com menor quantidade de incêndios.
\nOs resultados deixam claro a discrepância entre a incidência de focos de incêndios entre estados e país.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":270,"value":"## (3) Estados com a maior quantidade de focos de incêndio por Mês e Ano","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":367,"value":"

\nNessa questão, vamos identificar os estados com maior incidência de focos de incêndio em cada mês e ano, proporcionando uma análise temporal e geográfica dos focos de incêndio. Essa visualização pretende revelar padrões mensais e anuais dos eventos.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":157,"value":"{\n const sliderAno = vl.param(\"filtra_ano\")\n .value(2019)\n .bind(vl.slider(2019, 2022, 1).name('Ano: '))\n \n const sliderMes = vl.param(\"filtra_mes\")\n .value(1)\n .bind(vl.slider(1, 12, 1).name('Mês: '))\n\n return vl.markBar()\n .data(dataComMes)\n .params(sliderMes, sliderAno)\n .title({ text: 'Quantidade de Focos de Incêndio por Estado a por Ano e Mês', anchor: 'middle', fontSize: 16, fontWeight: 'bold', offset: 20})\n .transform(\n vl.filter('datum.mes == filtra_mes'),\n vl.filter('datum.ano == filtra_ano')\n )\n .encode(\n vl.x().fieldN('estado').title(\"Estados\").sort(vl.count(\"estado\").order('descending')),\n vl.y().count(\"data\").title(\"Quantidade de Focos de Incêndio\"),\n vl.color().fieldN(\"estado\").scale({scheme: 'reds'}).title('Estados').sort(vl.count(\"estado\").order('ascending')),\n vl.tooltip().count(),\n vl.opacity().if(sliderMes, vl.value(0.95)).value(0.02)\n )\n .height(450)\n .width(900)\n .render();\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":371,"value":"### Explicação da Visualização","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":375,"value":"$31","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":373,"value":"### Análise dos Resultados Obtidos","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":377,"value":"

\nCom a significativa quantidade de resultados obtidos, a realização de uma análise objetiva torna-se **difícil**, diferentemente das questões anteriores.
\nEntretanto, observa-se que os estados mais afetados ao longo do período analisado estão localizados nas regiões **Centro-Oeste, Norte e Nordeste** do país, destacando-se especialmente o estado do **Mato Grosso**. Como já vimos em questões anteriores, essa tendência pode ser atribuída, em parte, às condições históricas da região, caracterizadas por **estiagens e desmatamentos na área da Amazônia**, o maior bioma brasileiro.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":273,"value":"## (5) Insights interessantes sobre o Trabalho\n","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":427,"value":"

\nTodas as visualizações desenvolvidas e análises realizadas neste trabalho constituem uma base para um estudo mais aprofundado sobre os focos de incêndio no Brasil.
\nEssa investigação pode ser um **instrumento** para a formulação de estratégias eficazes para intensificar a **preservação ambiental**, resultando na **salvação de inúmeras espécies da fauna e flora brasileira**, beneficiando não só a biodiversidade, mas também ajudaria a melhorar a qualidade de vida da população local e global.
\nAjudando a evitar, por exemplo, **a onda de calor que todo o país viveu nos meses de outubro e novembro de 2023**.\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":395,"value":"vl.markLine()\n .data(dataComMes)\n .transform(\n vl.filter('datum.bioma == \"Amazônia\"')\n )\n .encode(\n vl.x().fieldT('data').title('Data'),\n vl.y().count().title('Quantidade de Focos de Incêndio'),\n )\n .width(1000)\n .render();","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":431,"value":"

\nComo visto anteriormente, o bioma **Amazônia** revela-se como o **mais afetado por incêndios** durante o período analisado. **Este bioma tem enfrentado diversas atividades criminosas**, como a exploração ilegal de madeira e o garimpo ilegal.
\nComo sabemos, **a Amazônia desempenha um papel crucial como um dos maiores consumidores globais de CO2**, contribuindo significativamente para a regulação climática. Segundo a reportagem da revista **Exame** (https://exame.com/brasil/amazonia-ja-emite-mais-co2-do-que-absorve-diz-pesquisadora/) e durante o período analisado, **a Amazônia passou a emitir mais CO2 do que absorver**.
\nIsso causa implicações para a mudança climática, impactando não apenas a biodiversidade e os ecossistemas, mas também a qualidade de vida da população local e global, principalmente das pessoas que dependem diretamente dos serviços ecossistêmicos oferecidos pela Amazônia.\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":403,"value":"contagemPorBioma = dataComMes.reduce((acc, curr) => {\n acc[curr.bioma] = (acc[curr.bioma] || 0) + 1;\n return acc;\n}, {});","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":412,"value":"dados = Object.entries(contagemPorBioma).map(([bioma, quantidade]) => ({ bioma, quantidade }));","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":400,"value":"vl.markArc({tooltip: true, innerRadius : 80})\n .data(dados)\n .encode(\n vl.theta().fieldQ('quantidade'),\n vl.color().fieldN('bioma').title('Bioma').scale({scheme: 'greens'}),\n vl.tooltip(['bioma', 'quantidade'])\n )\n .render();","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":436,"value":"

\nA visualização acima apresenta o **número total de focos de incêndio em cada bioma do Brasil**.
\nÉ evidente que os biomas **Amazônia e Cerrado foram os mais impactados** durante o período analisado. A Amazônia e o Cerrado em conjunto sofreram mais de **70% dos eventos registrados**, sendo que a Amazônia representou quase metade desses casos. Essa visualização destaca a vulnerabilidade dos biomas Amazônia e Cerrado aos incêndios, reforçando a necessidade de ações concretas para limitar tais eventos e preservar esses ecossistemas cruciais para o equilíbrio ambiental.
\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":444,"value":"

\nPor fim, podemos concluir que o governo que esteve à frente do país no período analisado, liderado pelo **ex-presidente Jair Bolsonaro**, revelou-se incapaz de gerir a gestão ambiental. Durante o mandato, a Amazônia registrou, em todos os anos, **números de focos de incêndio superiores a 25 mil casos**, destacando-se especialmente no mês de setembro de 2022, seus últimos meses de governo, quando o número de incidências de incêndio **ultrapassou a marca de 40 mil eventos**.
\nEsses dados apontam para uma gestão ambiental deficiente, indicando a necessidade de uma abordagem mais efetiva para a preservação e a sustentabilidade dos ecossistemas brasileiros.\n

","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":26,"value":"## Importações de bibliotecas","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":28,"value":"Importação da biblioteca Vega-Lite","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":30,"value":"import { vl } from \"@vega/vega-lite-api-v5\"","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"}],"files":"$W32","stdlib":"1","titling":"auto"}} 2c:"$2b:body"