Esse projeto foi desenvolvido no INPE - Instituto Nacional de Pesquisas Espaciais, e aborda a aplicação do Python com bibliotecas relacionadas a Geoprocessamento.
Tendo em vista isso, este repositório aborda sobre a criação de KMLs, que consiste num formato de arquivo baseado em XML, para fazer a representação de dados geográficos em aplicativos, como por exemplo o Google Earth.
Mais informações sobre o formato KML aqui.
Dessa forma, apesar de todos os testes no Jupyter Notebook estarem utilizando a biblioteca FastKML, foi estudado diferentes formas de ingestão de dados e criação do arquivo, seja por meio do Pandas atuando com um CSV, ou realizando consultas ao banco de dados PostgreSQL.
Pontos coloridos: Focos de Queimadas, com cor baseada no intervalo desde que ocorreu (legenda).
Área em laranja: Frente de Fogo Ativo do dia atual (área de 500m ao redor do foco).
Área em preto: Frente de Fogo Ativo do dia anterior.
- Python com versão entre 3.6 e 3.9
- Bibliotecas:
- fastkml (documentação)
- psycopg2 (documentação)
- SQLAlchemy (documentação)
- geopandas ou pandas, dependendo da versão escolhida. (documentação pandas) (documentação geopandas)
Atualmente o projeto conta com três Notebooks, correspondentes aos testes de geração do arquivo KML:
- Gerar por meio de um CSV com os dados preestabelecidos, utilizando a biblioteca Pandas para a leitura, montagem e filtragem do dataframe;
- Gerar por meio de consultas no banco de dados, operação que foi feita usando a biblioteca SQLAlchemy;
- Gerar por meio de consultas no banco de dados, em que não só é obtido os pontos dos focos mas também é feito a criação de um buffer (frente de fogo ativo).
Com os dados obtidos (em que foi estudado diferentes formas para essa obtenção), construiu-se o KML a partir do FastKML, em que a geração é feita num formato semelhante a estar adicionando itens numa lista, por meio do append.
A construção do projeto teve como início a leitura de um arquivo CSV gerado por meio do sistema de monitoramento BDQueimadas, desenvolvido pelo INPE. Dessa forma, por meio da biblioteca Pandas filtrou-se as colunas desejadas e trabalhou-se com os dados adquiridos.
Desenvolvida posteriormente à supracitada, foi construido o KML por meio de uma conexão e consulta a um banco de dados, utilizando um método nativo do pandas chamado read_sql, no qual foi necessário a biblioteca SQLAlchemy em conjunto com a psycopg2 para coletar os dados desejados.
Como forma de otimizar o trabalho com objetos Geo, utilizou-se a biblioteca GeoPandas que, além do pandas que está incluído nela, possui também novas libraries com classes e métodos que auxiliam as operações que precisam ser desenvolvidas.
O arquivo gerador.py utiliza como base essa versão, e dentro dele ela está constantemente sendo melhorada, adicionando-se funcionalidades e realizando otimizações.
É necessário realizar a instalação das bibliotecas requisitadas, que podem ser feitas de duas maneiras:
- criação de um ambiente virtual com a biblioteca virtualenv e usando o pip
- criação de um ambiente de desenvolvimento pelo conda, instalando as bibliotecas posteriormente
Após a instalação das bibliotecas, fazer as modificações, dependendo da versão a ser executada:
Com tudo necessário instalado, alterar o arquivo CSV lido na pasta csv, se desejar:
file = r'csv\Focos_2021-11-01_2021-11-03.csv'
Alterar as informações para o acesso ao banco de dados:
engine = create_engine(f'postgresql+psycopg2://USER:PASS@HOST:PORT/DATABASE', poolclass=pool.NullPool)
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent