Tabela mensal acumulada do DETER, com os meses zerados

Resumo

A tabela por trás do gráfico de curva acumulada de um painel de desmatamento: uma linha para cada UC, ano e mês, com zero nos meses sem alerta, acumulado no ano PRODES e marca dos meses que ainda não aconteceram. Também em DAX, com DATESYTD.

Nível Intermediário Leitura 9 min Dados outubro de 2026 Programas ArcGIS

O gráfico mais pedido num painel de desmatamento é a curva acumulada: quanto já foi desmatado desde o começo do ano PRODES, mês a mês, comparando com os anos anteriores.

Para desenhar essa curva, a tabela precisa de uma linha para cada UC, ano e mês, inclusive os meses sem nenhum alerta (com zero). Sem eles, a linha do gráfico pula meses e o acumulado fica errado. O script que eu usava fazia isso com itertools.product, merge e cumsum do pandas, depois de várias etapas no arcpy.

Gráfico de linhas com três anos PRODES. O eixo horizontal vai de agosto a julho. A linha de 2025 termina em 757 hectares e a de 2026, em 821. A de 2027 só vai até outubro, com 587 hectares, porque os meses seguintes ainda não aconteceram. — Área acumulada de alertas de desmatamento no interior da Floresta Nacional do Jamanxim, por ano PRODES.

O que você vai fazer

Filtrar os alertas de desmatamento (corte raso, com vegetação e mineração), no interior, com pelo menos 6,25 ha.
Calcular ano PRODES e mês PRODES (veja Campos de data).
Montar a grade completa: todas as UCs × todos os anos × 12 meses.
Somar a área de cada mês e preencher os vazios com zero.
Acumular dentro de cada UC e ano.
Marcar como não válidos os meses depois do último dado (para o gráfico não desenhar uma linha reta até julho).

flowchart LR
    A["Alertas<br/>filtrados"] --> B["Soma por<br/>UC, ano, mês"]
    G["Grade:<br/>UC × ano × 12 meses"] --> C["Junção<br/>(vazios = 0)"]
    B --> C
    C --> D["Acumulado<br/>no ano"]
    D --> E["valido = falso<br/>depois do último mês"]

Da soma por mês à tabela completa

Dados

Use a camada deter_interior_entorno criada no artigo Interior e entorno das UCs (ela já tem nome_uc, local e area_ha).

O código

O arcpy não tem uma ferramenta para “completar a grade”. A saída é a mesma do script original: somar com o arcpy e completar com o pandas, que já vem no Python do ArcGIS Pro.

import arcpy
import numpy as np
import pandas as pd

gdb = r"C:\dados\resultados.gdb"
fc = gdb + r"\deter_interior_entorno"
filtro = ("classname IN ('DESMATAMENTO_CR', 'DESMATAMENTO_VEG', 'MINERACAO') "
          "AND local = 'interior' AND area_ha >= 6.25")

# 1 e 2. Ler a tabela filtrada para o pandas
linhas = arcpy.da.SearchCursor(fc, ["nome_uc", "view_date", "area_ha"], filtro)
d = pd.DataFrame(list(linhas), columns=["nome_uc", "view_date", "area_ha"])
data = pd.to_datetime(d["view_date"])
d["ano_prodes"] = data.dt.year + (data.dt.month >= 8)
d["mes_prodes"] = (data.dt.month + 4) % 12 + 1

# 3 e 4. Grade completa e soma por mês (vazios = 0)
soma = d.groupby(["nome_uc", "ano_prodes", "mes_prodes"])["area_ha"].sum()
grade = pd.MultiIndex.from_product(
    [sorted(d["nome_uc"].unique()), sorted(d["ano_prodes"].unique()), range(1, 13)],
    names=soma.index.names)
tabela = soma.reindex(grade, fill_value=0).reset_index()

# 5. Acumulado
tabela["acumulado_ha"] = tabela.groupby(["nome_uc", "ano_prodes"])["area_ha"].cumsum()

# 6. Meses depois do último dado
ultimo = max(r[0] for r in arcpy.da.SearchCursor(fc, ["view_date"]))
ano_u, mes_u = ultimo.year + (ultimo.month >= 8), (ultimo.month + 4) % 12 + 1
tabela["valido"] = ~((tabela["ano_prodes"] == ano_u) & (tabela["mes_prodes"] > mes_u))

# Gravar como tabela do geodatabase
arr = np.rec.fromrecords(tabela.astype({"nome_uc": "U120", "valido": "int16"}).values,
                         names=list(tabela.columns))
arcpy.da.NumPyArrayToTable(arr, gdb + r"\deter_mensal_acumulado")

No QGIS, o caminho mais direto é uma camada virtual: uma consulta SQL (SQLite) sobre as camadas abertas, sem banco de dados. Abra Camada → Adicionar camada → Adicionar/Editar camada virtual, importe a camada deter_interior_entorno e cole a consulta. Ou, no console:

consulta = """
WITH alertas AS (
    SELECT nome_uc,
           CAST(strftime('%Y', view_date) AS INTEGER)
             + (CAST(strftime('%m', view_date) AS INTEGER) >= 8)          AS ano_prodes,
           (CAST(strftime('%m', view_date) AS INTEGER) + 4) % 12 + 1      AS mes_prodes,
           area_ha
    FROM deter
    WHERE classname IN ('DESMATAMENTO_CR', 'DESMATAMENTO_VEG', 'MINERACAO')
      AND local = 'interior' AND area_ha >= 6.25
),
meses(mes_prodes) AS (SELECT 1 UNION ALL SELECT mes_prodes + 1 FROM meses WHERE mes_prodes < 12),
grade AS (
    SELECT u.nome_uc, a.ano_prodes, m.mes_prodes
    FROM (SELECT DISTINCT nome_uc FROM alertas) u,
         (SELECT DISTINCT ano_prodes FROM alertas) a, meses m
),
mensal AS (
    SELECT g.nome_uc, g.ano_prodes, g.mes_prodes, coalesce(sum(a.area_ha), 0) AS area_ha
    FROM grade g
    LEFT JOIN alertas a USING (nome_uc, ano_prodes, mes_prodes)
    GROUP BY g.nome_uc, g.ano_prodes, g.mes_prodes
),
ultimo AS (
    SELECT CAST(strftime('%Y', max(view_date)) AS INTEGER)
             + (CAST(strftime('%m', max(view_date)) AS INTEGER) >= 8)      AS ano,
           (CAST(strftime('%m', max(view_date)) AS INTEGER) + 4) % 12 + 1 AS mes
    FROM deter
)
SELECT m.*,
       sum(m.area_ha) OVER (PARTITION BY m.nome_uc, m.ano_prodes
                            ORDER BY m.mes_prodes) AS acumulado_ha,
       NOT (m.ano_prodes = u.ano AND m.mes_prodes > u.mes) AS valido
FROM mensal m, ultimo u
ORDER BY m.nome_uc, m.ano_prodes, m.mes_prodes
"""
deter = QgsVectorLayer("C:/dados/deter_interior_entorno.gpkg", "deter", "ogr")
QgsProject.instance().addMapLayer(deter)
tabela = QgsVectorLayer(f"?query={consulta}", "deter_mensal_acumulado", "virtual")
QgsProject.instance().addMapLayer(tabela)
print(tabela.featureCount(), "linhas")

A camada virtual é recalculada sempre que a camada de origem muda, e pode ser exportada como CSV ou GeoPackage (botão direito → Exportar).

CREATE OR REPLACE VIEW artigos.deter_mensal_acumulado AS
WITH alertas AS (
    SELECT nome_uc,
           extract(year FROM view_date + interval '5 months')::int AS ano_prodes,
           (extract(month FROM view_date)::int + 4) % 12 + 1      AS mes_prodes,
           area_ha
    FROM artigos.deter_interior_entorno
    WHERE classname IN ('DESMATAMENTO_CR', 'DESMATAMENTO_VEG', 'MINERACAO')
      AND local = 'interior' AND area_ha >= 6.25
),
grade AS (
    SELECT u.nome_uc, a.ano_prodes, m.mes_prodes
    FROM (SELECT DISTINCT nome_uc FROM alertas) u
    CROSS JOIN (SELECT DISTINCT ano_prodes FROM alertas) a
    CROSS JOIN generate_series(1, 12) AS m(mes_prodes)
),
mensal AS (
    SELECT g.nome_uc, g.ano_prodes, g.mes_prodes, coalesce(sum(a.area_ha), 0) AS area_ha
    FROM grade g
    LEFT JOIN alertas a USING (nome_uc, ano_prodes, mes_prodes)
    GROUP BY g.nome_uc, g.ano_prodes, g.mes_prodes
),
ultimo AS (
    SELECT extract(year FROM max(view_date) + interval '5 months')::int AS ano,
           (extract(month FROM max(view_date))::int + 4) % 12 + 1      AS mes
    FROM artigos.deter_interior_entorno
)
SELECT m.nome_uc, m.ano_prodes, m.mes_prodes, round(m.area_ha, 2) AS area_ha,
       round(sum(m.area_ha) OVER (PARTITION BY m.nome_uc, m.ano_prodes
                                  ORDER BY m.mes_prodes), 2) AS acumulado_ha,
       NOT (m.ano_prodes = u.ano AND m.mes_prodes > u.mes) AS valido
FROM mensal m, ultimo u;

SELECT * FROM artigos.deter_mensal_acumulado
WHERE nome_uc = 'FLORESTA NACIONAL DO JAMANXIM' AND ano_prodes = 2027
ORDER BY mes_prodes;

import geopandas as gpd
import pandas as pd

todos = gpd.read_file("dados/deter_interior_entorno.gpkg")
d = todos[todos["classname"].isin(["DESMATAMENTO_CR", "DESMATAMENTO_VEG", "MINERACAO"])
          & (todos["local"] == "interior") & (todos["area_ha"] >= 6.25)].copy()

# 2. Ano e mês PRODES
data = pd.to_datetime(d["view_date"])
d["ano_prodes"] = data.dt.year + (data.dt.month >= 8)
d["mes_prodes"] = (data.dt.month + 4) % 12 + 1

# 3 e 4. Grade completa e soma por mês (vazios = 0)
soma = d.groupby(["nome_uc", "ano_prodes", "mes_prodes"])["area_ha"].sum()
grade = pd.MultiIndex.from_product(
    [sorted(d["nome_uc"].unique()), sorted(d["ano_prodes"].unique()), range(1, 13)],
    names=soma.index.names)
tabela = soma.reindex(grade, fill_value=0).reset_index()

# 5. Acumulado no ano PRODES
tabela["acumulado_ha"] = tabela.groupby(["nome_uc", "ano_prodes"])["area_ha"].cumsum()

# 6. Meses depois do último dado
ultimo = pd.to_datetime(todos["view_date"]).max()
ano_u, mes_u = ultimo.year + (ultimo.month >= 8), (ultimo.month + 4) % 12 + 1
tabela["valido"] = ~((tabela["ano_prodes"] == ano_u) & (tabela["mes_prodes"] > mes_u))

tabela.round(2).to_csv("dados/deter_mensal_acumulado.csv", index=False)
print(tabela.query("nome_uc == 'FLORESTA NACIONAL DO JAMANXIM' and ano_prodes == 2027").round(2))

No Power BI, a grade completa e o acumulado saem do modelo, sem tabela pronta: basta uma tabela de calendário (dim_calendario) ligada aos alertas pela data.

Área (ha) = SUM ( fato_deter[area_ha] ) + 0

Área acumulada no ano PRODES (ha) =
CALCULATE ( [Área (ha)], DATESYTD ( dim_calendario[data], "07-31" ) )

Área acumulada (só meses com dado) =
IF ( MAX ( dim_calendario[data] ) <= MAX ( fato_deter[view_date] ),
     [Área acumulada no ano PRODES (ha)] )

O + 0 faz os meses sem alerta aparecerem como zero.
O "07-31" diz ao DATESYTD que o ano termina em 31 de julho: é o ano PRODES.
A terceira medida devolve vazio depois do último alerta, o equivalente à coluna valido.

Conferindo o resultado

As versões do QGIS (camada virtual), do PostGIS e do Python deram a mesma tabela: 288 linhas, e os mesmos valores. O ano PRODES 2027 na Floresta Nacional do Jamanxim ficou assim:

Floresta Nacional do Jamanxim, ano PRODES 2027 (agosto de 2026 a julho de 2027).
Mês PRODES	Mês	Área no mês (ha)	Acumulado (ha)	`valido`
1	agosto	57,7	57,7	sim
2	setembro	414,4	472,1	sim
3	outubro	115,3	587,4	sim
4	novembro	0	587,4	não
…	…	0	587,4	não
12	julho	0	587,4	não

Em três meses, o acumulado já chegou a 587 ha, contra 757 ha no ano PRODES 2025 inteiro e 821 ha no 2026. O ano PRODES 2024 aparece incompleto na tabela, porque os dados baixados começam em janeiro de 2024.

De onde veio o “6,25 ha”

O filtro de área mínima vem do script original e acompanha a área mínima mapeada pelo PRODES. O DETER tem alertas menores, de até 3 ha. Ao mudar esse corte, a curva muda, então deixe-o escrito no painel.

Classes em colunas

Outro script da pasta transformava as classes do DETER em colunas (DCR_AREA, MIN_AREA, …) e trocava os vazios por zero. É a mesma ideia com outra cara: uma tabela dinâmica.

Programa	Como
ArcGIS Pro	`arcpy.management.PivotTable(tabela, ["nome_uc"], "classname", "area_ha", saida)`
QGIS	camada virtual com `sum(CASE WHEN classname = 'MINERACAO' THEN area_ha ELSE 0 END) AS min_area`
PostGIS	`sum(area_ha) FILTER (WHERE classname = 'MINERACAO') AS min_area`
Python	`d.pivot_table(index="nome_uc", columns="classname", values="area_ha", aggfunc="sum", fill_value=0)`
Power BI	matriz com `classname` nas colunas; não precisa pivotar

Veja também

← Anterior Ano, mês e ano PRODES: campos de data em cada programa Próximo → Trazer informações de outra tabela: junções e listas de valores

Atualizações

29/10/2026: publicação, com dados do INPE, do MMA, do IBAMA e do SICAR de outubro de 2026.

English version

De volta ao topo

Licença

CC BY 4.0

Como citar

BibTeX

@misc{alves2026,
  author = {Alves, Hendesson},
  publisher = {Hendesson Alves},
  title = {Tabela mensal acumulada do DETER, com os meses zerados},
  date = {2026-10-29},
  url = {https://hendesson.github.io/artigos/06-tabela-mensal-acumulada.html},
  doi = {10.5281/zenodo.23780256},
  langid = {pt-BR},
  abstract = {A tabela por trás do gráfico de curva acumulada de um
    painel de desmatamento: uma linha para cada UC, ano e mês, com zero
    nos meses sem alerta, acumulado no ano PRODES e marca dos meses que
    ainda não aconteceram. Também em DAX, com DATESYTD.}
}

Por favor, cite este trabalho como:

Alves, Hendesson. 2026. “Tabela mensal acumulada do DETER, com os meses zerados.” In Artigos de geoprocessamento para monitoramento ambiental. Preprint, Hendesson Alves, October 29. https://doi.org/10.5281/zenodo.23780256.