import geopandas as gpd

#Usando ShapeFile
BASE_DIR = "datasets"
shapefile_path = f"{BASE_DIR}/RJ_2023/RJ_Municipios_2023.shp"  # Shapefile das Unidades da Federacao brasileira
gdf_shp = gpd.read_file(shapefile_path)

gdf_shp.head()

#Usando GeoJson
geojson_path = f"{BASE_DIR}/br_states.json"
gdf = gpd.read_file(geojson_path)

gdf.head()

gdf_shp.info() 
print("\n-----\n")
gdf_shp.crs # Verificar a projeção cartográfica

<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 92 entries, 0 to 91
Data columns (total 14 columns):
 #   Column      Non-Null Count  Dtype   
---  ------      --------------  -----   
 0   CD_MUN      92 non-null     object  
 1   NM_MUN      92 non-null     object  
 2   CD_RGI      92 non-null     object  
 3   NM_RGI      92 non-null     object  
 4   CD_RGINT    92 non-null     object  
 5   NM_RGINT    92 non-null     object  
 6   CD_UF       92 non-null     object  
 7   NM_UF       92 non-null     object  
 8   CD_REGIAO   92 non-null     object  
 9   NM_REGIAO   92 non-null     object  
 10  CD_CONCURB  49 non-null     object  
 11  NM_CONCURB  49 non-null     object  
 12  AREA_KM2    92 non-null     float64 
 13  geometry    92 non-null     geometry
dtypes: float64(1), geometry(1), object(12)
memory usage: 10.2+ KB

-----

<Geographic 2D CRS: EPSG:4674>
Name: SIRGAS 2000
Axis Info [ellipsoidal]:
- Lat[north]: Geodetic latitude (degree)
- Lon[east]: Geodetic longitude (degree)
Area of Use:
- name: Latin America - Central America and South America - onshore and offshore. Brazil - onshore and offshore.
- bounds: (-122.19, -59.87, -25.28, 32.72)
Datum: Sistema de Referencia Geocentrico para las AmericaS 2000
- Ellipsoid: GRS 1980
- Prime Meridian: Greenwich

import folium

# Mapa centralizado no Brasil
mapa = folium.Map(location=[-22.9068, -43.1729], zoom_start=8)

# Adicionando os limites das unidades federativas como o GeoJson
for _, row in gdf_shp.iterrows():
    folium.GeoJson(
        row["geometry"],
        name=row["NM_MUN"],
        tooltip=str(row["AREA_KM2"]) + " km²",
        style_function=lambda x: {"color": "blue"},
    ).add_to(mapa)


mapa

import rasterio


arquivo_raster = f"{BASE_DIR}/World_Temp_geotiff/data/TEMP.tif"

# Carrega um arquivo raster da temperatura global
with rasterio.open(arquivo_raster) as src:
    print(f"Formato: {src.driver}")
    print(f"Dimensões (Linhas, Colunas): {src.height}, {src.width}")
    print(f"Número de bandas: {src.count}")
    print(f"Sistema de Coordenadas: {src.crs}")

Formato: GTiff
Dimensões (Linhas, Colunas): 15000, 43200
Número de bandas: 1
Sistema de Coordenadas: EPSG:4326

import rasterio
from rasterio.windows import from_bounds
import matplotlib.pyplot as plt

# Define os limites aproximados das Américas (lon/lat)
# América do Norte até América do Sul
lon_min, lon_max = -170, -30  # de Alaska até o Nordeste do Brasil
lat_min, lat_max = -60, 80    # da Patagônia até o Ártico


with rasterio.open(arquivo_raster) as src:
    window = from_bounds(
        lon_min, lat_min, lon_max, lat_max,
        transform=src.transform
    )
    americas = src.read(1, window=window)
    americas_transform = src.window_transform(window)

# Plota o recorte das Américas
plt.figure(figsize=(10, 6))
plt.imshow(americas, cmap='coolwarm')
plt.colorbar(label="Temperatura")
plt.title("Recorte do Raster: Américas")
plt.axis('off')
plt.show()

print(f"Mínima Temperatura: {np.min(raster_data)}")
print(f"Máxima Temperatura: {np.max(raster_data)}")
print(f"Temperatura Média: {np.mean(raster_data)}")
print(f"Desvio Padrao: {np.std(raster_data)}")

Mínima Temperatura: 0.25
Máxima Temperatura: 31.0625
Temperatura Média: 23.23480796813965
Desvio Padrao: 3.050732374191284

from rasterio.mask import mask

# Carregar o shapefile
rio = gpd.read_file(shapefile_path)

# Abrir o raster e recortar com base na geometria do shapefile
with rasterio.open(arquivo_raster) as src:
    rio = rio.to_crs(src.crs)  # Garantir que ambos têm o mesmo sistema de coordenadas
    out_image, out_transform = mask(src, rio.geometry, crop=True, filled=True, nodata=np.nan)
    out_meta = src.meta.copy()
    out_meta.update({
        "driver": "GTiff",
        "height": out_image.shape[1],
        "width": out_image.shape[2],
        "transform": out_transform,
        "nodata": np.nan
    })

# Substituir zeros por NaN 
out_image = out_image.astype('float32')
out_image[out_image == 0] = np.nan

# Exibir o raster recortado (Mapa de Temperatura)
plt.figure(figsize=(8, 6))
plt.imshow(out_image[0], cmap="coolwarm")
plt.colorbar(label="Temperatura (°C)")
plt.title("Mapa de Temperatura - Rio de Janeiro")
plt.show()

import numpy as np

# Filtrar apenas os valores de temperatura válidos 
valid_pixels = out_image[0][out_image[0] > 0]  

# Cálculo das estatísticas
temp_min = np.min(valid_pixels)
temp_max = np.max(valid_pixels)
temp_mean = np.mean(valid_pixels)
temp_std = np.std(valid_pixels)

print(f"Estatísticas de Temperatura do Rio de Janeiro:")
print(f"Temperatura mínima: {temp_min:.2f} °C")
print(f"Temperatura máxima: {temp_max:.2f} °C")
print(f"Temperatura média: {temp_mean:.2f} °C")
print(f"Desvio padrão: {temp_std:.2f} °C")

Estatísticas de Temperatura do Rio de Janeiro:
Temperatura mínima: 11.12 °C
Temperatura máxima: 24.12 °C
Temperatura média: 21.90 °C
Desvio padrão: 1.79 °C

plt.figure(figsize=(8, 6))
plt.hist(valid_pixels, bins=50, color="darkred", alpha=0.7, edgecolor="black")
plt.xlabel("Temperatura (°C)")
plt.ylabel("Frequência")
plt.title("Distribuição da Temperatura no Rio de Janeiro")
plt.grid(True)
plt.show()

with rasterio.open(
    "novo_raster.tif",
    "w",
    driver="GTiff",
    height=out_image.shape[1],
    width=out_image.shape[2],
    count=1,
    dtype=out_image.dtype,
    crs=src.crs,
    transform=out_transform,
) as dest:
    dest.write(out_image[0], 1)

	CD_MUN	NM_MUN	CD_RGI	NM_RGI	CD_RGINT	NM_RGINT	CD_UF	NM_UF	CD_REGIAO	NM_REGIAO	CD_CONCURB	NM_CONCURB	AREA_KM2	geometry
0	3300100	Angra dos Reis	330002	Angra dos Reis	3301	Rio de Janeiro	33	Rio de Janeiro	3	Sudeste	3300100	Angra dos Reis	813.420	MULTIPOLYGON (((-44.51649 -23.03589, -44.51633...
1	3300159	Aperibé	330012	Santo Antônio de Pádua	3304	Campos dos Goytacazes	33	Rio de Janeiro	3	Sudeste	None	None	94.542	POLYGON ((-42.11437 -21.61204, -42.11394 -21.6...
2	3300209	Araruama	330013	Cabo Frio	3305	Macaé - Rio das Ostras - Cabo Frio	33	Rio de Janeiro	3	Sudeste	3300209	Araruama/RJ	638.276	POLYGON ((-42.28399 -22.93928, -42.28444 -22.9...
3	3300225	Areal	330007	Petrópolis	3303	Petrópolis	33	Rio de Janeiro	3	Sudeste	3303906	Petrópolis/RJ	110.724	POLYGON ((-43.09004 -22.23844, -43.09135 -22.2...
4	3300233	Armação dos Búzios	330013	Cabo Frio	3305	Macaé - Rio das Ostras - Cabo Frio	33	Rio de Janeiro	3	Sudeste	3300704	Cabo Frio/RJ	70.977	MULTIPOLYGON (((-41.88151 -22.74808, -41.88153...

	id	FID_Export	SIGLA	Total	Homens	Mulheres	Urbana	Rural	TX_Alfab	FID_estado	Estado	FK_macro	PK_sigla	geometry
0	AC	0	AC	557526	280983	276543	370267	187259	65.154545	-1	Acre	N	AC	MULTIPOLYGON (((-66.80619 -9.81446, -66.64485 ...
1	AL	1	AL	2822621	1378942	1443679	1919739	902882	59.364356	-1	Alagoas	NE	AL	MULTIPOLYGON (((-35.15263 -8.91373, -35.15628 ...
2	AM	2	AM	2812557	1414367	1398190	2107222	705335	72.250000	-1	Amazonas	N	AM	MULTIPOLYGON (((-67.3259 2.02976, -67.30001 1....
3	AP	3	AP	477032	239453	237579	424683	52349	83.650000	-1	Amapá	N	AP	MULTIPOLYGON (((-50.09389 0.70205, -50.15695 0...
4	BA	4	BA	13070250	6462033	6608217	8772348	4297902	71.163373	-1	Bahia	NE	BA	MULTIPOLYGON (((-38.64899 -18.03612, -38.65822...

Tipo de dado	Representação	Estrutura	Exemplo
Raster	Grade de pixels (imagem)	Matriz regular (grid)	Temperatura, altitude, satélite
Vetorial	Pontos, linhas e polígonos	Tabelado + geometria	Localização de imóveis, limites de bairros

Índice¶

2. Tipos de Dados Geoespaciais ¶

2.1 Trabalhando com Dados Vetoriais¶

Exibir informações gerais do GeoDataFrame¶

Visualizacao do shapefile usando Folium¶

2.2 Trabalhando com Dados Raster¶

Extraindo e Visualizando os Dados¶

2.3 Raster ou Vetorial¶

📊 Comparativo entre Raster e Vetorial¶