Amazônia Sufocada

Esse repositório contém o código fonte para os mapas e o robô do InfoAmazonia que monitoram queimadas na Amazônia Legal.

Como funciona?

O fluxo de trabalho deste repositório acontece da seguinte maneira.

1. Pré-processamos dados de queimadas da NASA/FIRMS e dos limites territoriais das áreas protegidas da Amazônia Legal.
2. Diariamente, atualizamos estes dados com informações novas que capturamos dos bancos de dados da NASA/FIRMS.
3. Com os dados atualizados, criamos arquivos GeoJSON e MbTiles que são, então, enviados para o Mapbox.
4. A partir dos dados e dos mapas criados no Mapbox, geramos os fios que são publicados no Twitter.

Ele foi testado em sistemas Ubuntu 18.04 e 20.04. Não há suporte oficial para Mac e Windows.

Como reproduzir?

Para reproduzir o projeto na íntegra, você vai precisar de contas e acesso às APIs do Mapbox e do Twitter. Aviso: o serviço do Mapbox não é gratuito e você pode receber cobranças se executar os passas abaixo inadvertidamente.

Pré-requisitos

• Antes de tudo, clone esse repositório para o seu computador.

• Primeiro, precisamos dos dados brutos de queimadas e dos limites territoriais para processar. Os arquivos são grandes demais para o GitHub, portanto estão disponíveis neste link. Baixe-os e extraia no diretório-raiz deste repositório.

• Agora, precisamos instalar os pré-requisitos para rodar o código-fonte. Vamos lá, passo-a-passo:

  1. Instale o Anaconda3, que pode ser baixado neste link.
  2. Crie um ambiente virtual no Anaconda executando o comando conda env create --file environment.yml
  3. Já dentro do ambiente recém criado, instale a interface de linha de comando do Mapbox. Instruções aqui.
  4. Instale o tippecanoe, também do Mapbox, conforme as instruções.
  5. Modifique os arquivos setup.sh e update_data.sh com os caminhos para sua instalação local do Anaconda e para o diretório em que você clonou o projeto.
  6. No diretório code, crie arquivos chamados credentials.py com as suas chaves de acesso às APIs dos respectivos serviços.
     • Para o Twitter, defina as seguintes variáveis com as respectivas chaves: consumer_key, consumer_secret, bearer_token, access_token, access_token_secret
     • Para o Mapbox, defina uma variável token com a sua credencial para uso das APIs.

Executando o código

• Para criar o banco de dados pela primeira vez, execute o comando bash setup.sh. Os dados do diretório input serão processados e você verá surgir um diretório output.

• Sempre que quiser atualizar os dados, executa bash update_data.sh. Sugerimos que essa tarefa seja realizada todos os dias no início da noite, já que a varredura dos satélites acontece no final da tarde. Para nosso robô, atualizamos os dados todos os dias as 19h de Brasília. Esse script vai executar as seguintes tarefas, em ordem:

  1. Acessar os bancos de dados na NASA/FIRMS, baixar os dados das últimas 24h e agregar no formato necessário para alimentar os mapas e o robô do Twitter.
  2. Processar os dados salvos no passo 1 para o formato MbTiles, usando o tippecanoe. Esses arquivos são, em seguida, usados para atualizar tilesets publicados no Mapbox Studio.
  3. A partir dos tilesets acima, usamos a API de imagens estáticas do Mapbox para salvar arquivos JPEG dos mapas relevantes.
  4. Finalmente, usamos os dados e as imagens para criar e publicar informações no Twitter.

Sério que você só vai falar dos shell scripts?

Caso você queira entender melhor como o código funciona, sinta-se a vontade para explorar os arquivos do diretório code, que estão relativamente bem documentados. Grosso modo, a divisão é a seguinte:

1. prepare.py executa o pré-processamento dos dados do diretório input. Só deve ser executado uma vez.
2. process_data.py format e atualiza os bancos de dados gerados por prepare.py
3. process_susbsets.py salva arquivos a partir de recortes específicos dos bancos de dados citados acima.
4. process_tilesets.py usa o tippecanoe e a API do Mapbox para salvar arquivos .mbtiles e atualizar tilesets no Mapbox Studio.
5. process_tweet_variables.py salva arquivos JSON com variáveis úteis a partir dos bancos de dados atualizados anteriormente.
6. process_tweet_images.py usa a API de imagens estáticas do Mapbox para gerar imagens de mapas que serão publicadas no Twitter.
7. process_tweet_content.py salva um novo arquivo JSON com a estrutura dos fios no formato [{"text": "blablabla", "img": "path/to/img"}]
8. tweet.py, finalmente, lê os JSONs gerados por process_tweet_content.py e envia para o Twitter usando a API.

Os arquivos update_datasets.py e update_tweet_data.py são, simplesmente, wrappers para os processos acima. O primeiro agrupa os passos 2 até 4. O segundo, os passos 5 até 8.