Como acessar dados geoespaciais abertos do Brasil com geobr

Open Data Day - PyLadies São Paulo

Beatriz Milz

29/03/2025

Beatriz Milz

• Doutora em Ciência Ambiental no IEE/USP
• Atualmente: Estágio pós-doutoral na UFABC
• Co-organizadora da R-Ladies São Paulo
• Software peer review editor na rOpenSci
• GitHub Star

• Dados espaciais são muito importantes na área ambiental.

• Primeiro contato com esse tipo de dado foi em 2012

• Comecei a usar no trabalho em 2014

• Usei muito no estágio, no mestrado. No doutorado usei menos. No trabalho de consultoria tenho usado bastante! No pós-doc tenho usado bastante!

Seria muito legal uma “linha do tempo” similar ao que a Nath Demi faz!

Pacote geobr

• O pacote geobr disponibiliza funções para obter diversas bases de dados espaciais oficiais do Brasil.

• O pacote foi desenvolvido e é mantido pela equipe do Instituto de Pesquisa Econômica Aplicada (IPEA).

• Você pode saber mais no repositório do pacote no GitHub.

• Disponível para R e Python.

• Documentação do geobr: .ipynb com exemplos em Python

Conceitos importantes

Tipos de dados espaciais

• Dados vetoriais
• Dados matriciais/raster

Dados vetoriais

• Representação do mundo por pontos, linhas e polígonos.

Com o geobr, trabalhamos com dados vetoriais!

• Pontos: localização de uma escola, ponto de coleta, etc.

• Linhas: ruas/estradas/rodovias, rios, etc.

• Polígonos: delimitação de cidades, estados, países, etc.

geobr

Instalação

Instalação das bibliotecas

Para o Python, o geobr está disponível no pip.

pip install geobr

Instalar outras dependências que precisaremos:

pip install pandas geopandas

• Para usar o método .explore():

pip install folium matplotlib mapclassify

Importação de dados

Importando bibliotecas

import geobr
import pandas as pd
import geopandas as gpd

Listando funções disponíveis

geobr.list_geobr()

Function: read_country
Geographies available: Country
Years available: 1872, 1900, 1911, 1920, 1933, 1940, 1950, 1960, 1970, 1980, 1991, 2000, 2001, 2010, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020
Source: IBGE
------------------------------
Function: read_region
Geographies available: Region
Years available: 2000, 2001, 2010, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020
Source: IBGE
------------------------------
Function: read_state
Geographies available: States
Years available: 1872, 1900, 1911, 1920, 1933, 1940, 1950, 1960, 1970, 1980, 1991, 2000, 2001, 2010, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020
Source: IBGE
------------------------------
Function: read_meso_region
Geographies available: Meso region
Years available: 2000, 2001, 2010, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020
Source: IBGE
------------------------------
Function: read_micro_region
Geographies available: Micro region
Years available: 2000, 2001, 2010, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020
Source: IBGE
------------------------------
Function: read_intermediate_region
Geographies available: Intermediate region
Years available: 2017, 2019, 2020
Source: IBGE
------------------------------
Function: read_immediate_region
Geographies available: Immediate region
Years available: 2017, 2019, 2020
Source: IBGE
------------------------------
Function: read_municipality
Geographies available: Municipality
Years available: 1872, 1900, 1911, 1920, 1933, 1940, 1950, 1960, 1970, 1980, 1991, 2000, 2001, 2005, 2007, 2010, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022
Source: IBGE
------------------------------
Function: read_municipal_seat
Geographies available: Municipality seats (sedes municipais)
Years available: 1872, 1900, 1911, 1920, 1933, 1940, 1950, 1960, 1970, 1980, 1991, 2010
Source: IBGE
------------------------------
Function: read_weighting_area
Geographies available: Census weighting area (área de ponderação)
Years available: 2010
Source: IBGE
------------------------------
Function: read_census_tract
Geographies available: Census tract (setor censitário)
Years available: 2000, 2010, 2017, 2019, 2020
Source: IBGE
------------------------------
Function: read_statistical_grid
Geographies available: Statistical Grid of 200 x 200 meters
Years available: 2010
Source: IBGE
------------------------------
Function: read_metro_area
Geographies available: Metropolitan areas
Years available: 1970, 2001, 2002, 2003, 2005, 2010, 2013, 2014, 2015, 2016, 2017, 2018
Source: IBGE
------------------------------
Function: read_urban_area
Geographies available: Urban footprints
Years available: 2005, 2015
Source: IBGE
------------------------------
Function: read_amazon
Geographies available: Brazil's Legal Amazon
Years available: 2012
Source: MMA
------------------------------
Function: read_biomes
Geographies available: Biomes
Years available: 2004, 2019
Source: IBGE
------------------------------
Function: read_conservation_units
Geographies available: Environmental Conservation Units
Years available: 201909
Source: MMA
------------------------------
Function: read_disaster_risk_area
Geographies available: Disaster risk areas
Years available: 2010
Source: CEMADEN and IBGE
------------------------------
Function: read_indigenous_land
Geographies available: Indigenous lands
Years available: 201907, 202103
Source: FUNAI
------------------------------
Function: read_semiarid
Geographies available: Semi Arid region
Years available: 2005, 2017, 2021, 2022
Source: IBGE
------------------------------
Function: read_health_facilities
Geographies available: Health facilities
Years available: 201505, 202303
Source: CNES, DataSUS
------------------------------
Function: read_health_region
Geographies available: Health regions and macro regions
Years available: 1991, 1994, 1997, 2001, 2005, 2013
Source: DataSUS
------------------------------
Function: read_neighborhood
Geographies available: Neighborhood limits
Years available: 2010
Source: IBGE
------------------------------
Function: read_schools
Geographies available: Schools
Years available: 2020, 2023
Source: INEP
------------------------------
Function: read_comparable_areas
Geographies available: Historically comparable municipalities, aka Áreas mínimas comparáveis (AMCs)
Years available: 1872, 1900, 1911, 1920, 1933, 1940, 1950, 1960, 1970, 1980, 1991, 2000, 2010
Source: IBGE
------------------------------
Function: read_urban_concentrations
Geographies available: Urban concentration areas (concentrações urbanas)
Years available: 2015
Source: IBGE
------------------------------
Function: read_pop_arrangements
Geographies available: Population arrangements (arranjos populacionais)
Years available: 2015
Source: IBGE
------------------------------

Como consultar a delimitação do Brasil?

Informações retornadas por geobr.list_geobr():

Function: read_country
Geographies available: Country
Years available: 1872, 1900, 1911, 1920, 1933, 1940, 1950, 1960, 1970, 1980, 1991, 2000, 2001, 2010, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020
Source: IBGE

Utilizando a função:

geo_brasil = geobr.read_country(year = 2020)

Explorando o objeto:

geo_brasil.info()

<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 1 entries, 0 to 0
Data columns (total 1 columns):
 #   Column    Non-Null Count  Dtype   
---  ------    --------------  -----   
 0   geometry  1 non-null      geometry
dtypes: geometry(1)
memory usage: 140.0 bytes

Informações relevantes:

• Tem apenas 1 linha e 1 coluna (chamada geometry)

• Classe do objeto é geopandas.geodataframe.GeoDataFrame

O que é o geopandas?

• Pandas é uma biblioteca Python focada em manipulação e análise de dados.
• GeoPandas é uma biblioteca Python que estende as funcionalidades do Pandas para dados geoespaciais.
• Facilita a leitura, manipulação, análise e visualização de dados vetoriais (shapes) dentro de um único ecossistema.
• Cada linha em um GeoDataFrame corresponde a uma entidade geoespacial (por exemplo, um polígono de município).
• A coluna geometry armazena a forma geográfica em si (pontos, linhas ou polígonos).

Buscando a delimitação dos estados

geo_estados = geobr.read_state(year = 2020)
geo_estados.info()

<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 27 entries, 0 to 26
Data columns (total 6 columns):
 #   Column        Non-Null Count  Dtype   
---  ------        --------------  -----   
 0   code_state    27 non-null     float64 
 1   abbrev_state  27 non-null     object  
 2   name_state    27 non-null     object  
 3   code_region   27 non-null     float64 
 4   name_region   27 non-null     object  
 5   geometry      27 non-null     geometry
dtypes: float64(2), geometry(1), object(3)
memory usage: 1.4+ KB

geo_estados.sample(n=4)

	code_state	abbrev_state	name_state	code_region	name_region	geometry
13	27.0	AL	Alagoas	2.0	Nordeste	MULTIPOLYGON (((-35.75791 -9.69285, -35.75801 ...
25	52.0	GO	Goiás	5.0	Centro Oeste	MULTIPOLYGON (((-52.36102 -16.0816, -52.3604 -...
14	28.0	SE	Sergipe	2.0	Nordeste	MULTIPOLYGON (((-36.91665 -10.84277, -36.91681...
19	35.0	SP	São Paulo	3.0	Sudeste	MULTIPOLYGON (((-48.03716 -25.35794, -48.0375 ...

Funções similares

• read_country(): Delimitação do Brasil

• read_state(): Delimitação dos estados do Brasil

• read_state("SP"): Delimitação de um estado específico, usando a sigla como argumento

• read_municipality(): Delimitação de todos os municípios do Brasil. É uma base pesada!

• read_municipality(code_muni = 3550308): Delimitação de um município específico, usando o código do IBGE do município.

Argumento importante: simplify = TRUE

• As funções possuem um argumento chamado simplify, e seu valor padrão é TRUE.

• Esse argumento define se vamos importar as geometrias simplificadas (mais leves).

• Para análises onde é necessário um maior detalhamento das geometrias, o indicado é utilizar o simplify = FALSE.

• As bases com simplify = FALSE são mais pesadas.

Dica

• O pacote {geobr} faz o download das bases de dados. Isso significa que:
  • Você precisa estar conectado à internet para baixar as bases de dados.
  • Caso o servidor onde os dados estão armazenados esteja fora do ar, você não conseguirá baixar as bases de dados.

Uma sugestão é salvar os resultados em um arquivo após baixar os dados, para evitar ter que baixar novamente.

Visualização

Como podemos visualizar?

Formas mais fáceis:

• objeto_geopandas.plot()
• objeto_geopandas.explore()

geo_estados.plot()

geo_estados.explore()

Exemplos

Exemplo 1: Apenas dados disponíveis no geobr

Localização das escolas estaduais e escolas privadas no município de São Paulo, que oferecem Ensino Médio

Exemplo 2: Dados do geobr + join com dados externos

Experança de vida nos municípios do estado de São Paulo em 1991, 2000, 2010.

Exemplo 3: Dados do geobr + dados do censobr

Feito por: Rafael H. M. Pereira

Encerramento

Materiais para estudar mais: Exemplos em R

• 2025 - Aula no curso R intermediário e pesquisa reprodutível: Dados espaciais no R

• 2024 - Workshop na aMostra: Conhecendo o pacote geobr

• 2023 - Apresentação no Meetup R-Ladies São Paulo: Conhecendo o pacote geobr

• 2020 Video: Join - Juntando bases de dados

• 2020 - Post: Criando mapas com os pacotes tidyverse e geobr, utilizando dados sobre coleta e tratamento de esgoto no Estado De São Paulo

Muito obrigada!

• Email: milz.bea@gmail.com
• GitHub: @beatrizmilz
• Instagram: @dadoseambiente
• Youtube: @beamilz

Na minha página pessoal, você encontra meus contatos, e também palestras (anteriores e futuras).

Slides feitos com Quarto. Você pode consultar o código aqui.