2.1. Área bajo restauración

import datetime
now = datetime.datetime.now()
print(f"Última actualización de este notebook: {now.strftime('%d-%m-%Y %H:%M')}")

Última actualización de este notebook: 03-04-2026 20:31

Metodología de Cálculo¶

Fuentes de Datos Utilizadas¶

Uso de plataforma FERM: su uso no ha sido confirmado por el MMA Se debe definir qué fuente de información utilizaremos y si se ha sistematizado información en el marco del Plan Nacional de restauración de paisajes: Siembra por Chile lo tiene sistematizado en una base de datos estática; +Bosques lo tiene sistematizado, mas no tengo información de cómo.. En SIMBIO hay base de datos de iniciativas de restauración que no cuenta con coordenadas ni superficies: esto fue un esfuerzo por compilar información, pero no esta actualizada. Catálogo Restauración Ecológica 24-11-2025 1449.xlsx descargada de https://simbio.mma.gob.cl/RestauracionEcologica.

Capa espacial de geoportal tiene polígonos y puntos, sin embargo no está disponible para descarga (https://apps.mma.gob.cl/visorsimbio)

En insumos enviados por PNUD se indica a INFOR o INIA como posibles fuentes. no se menciona GEF.

Se debe desagregar análisis por ecosystem functional groups

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Datos CBD¶

data_cbd = pd.read_excel("data/scbd-ort-GBF-INDICATOR-2.2-data.xlsx", header=0, sheet_name="BD_restoration_ecology")
data_cbd

# Replace not standard names
data_cbd["Region"] = data_cbd["Region"].replace({
    "Valparaiso": "Valparaíso",
    "Los ríos": "Los Ríos",
    "Los lagos": "Los Lagos",
    "Araucanía": "La Araucanía",
    "Múltiples regiones": "Interregional"
})

Datos Nacionales¶

data_ch = pd.read_excel("data/scbd-ort-GBF-INDICATOR-2.2-data.xlsx", header=0, sheet_name="BD_Landscape restoration")
data_ch = data_ch.drop(15)
data_ch

# Replace not standard names
data_ch["Region"] = data_ch["Region"].replace({
    "O´Higgins": "O'Higgins",
})

Capa 2: Análisis y síntesis¶

Datos CBD¶

data_region_cbd = data_cbd.groupby('Region')['ha'].sum().reset_index()
data_region_cbd

print(f"Hectáreas totales {data_region_cbd['ha'].sum():.2f} ha")

Hectáreas totales 138270.81 ha

list(data_region_cbd["Region"])

['Antofagasta',
 'Arica y Parinacota',
 'Atacama',
 'Aysén',
 'Biobío',
 'Coquimbo',
 'Interregional',
 'La Araucanía',
 'Los Lagos',
 'Los Ríos',
 'Magallanes',
 'Maule',
 'Metropolitana',
 "O'Higgins",
 'Tarapacá',
 'Valparaíso',
 'Ñuble']

region_order = [
    'Arica y Parinacota',
    'Tarapacá',
    'Antofagasta',
    'Atacama',
    'Coquimbo',
    'Valparaíso',
    'Metropolitana',
    "O'Higgins",
    'Maule',
    'Ñuble',
    'Biobío',
    'La Araucanía',
    'Los Ríos',
    'Los Lagos',
    'Aysén',
    'Magallanes',
    'Interregional',
]

data_region_cbd["Region"] = pd.Categorical(data_region_cbd["Region"],
                                           categories=region_order,
                                           ordered=True)
data_region_cbd.sort_values("Region", inplace=True)
data_region_cbd

region_count = len(data_region_cbd)
sorted_region_ha = data_region_cbd.sort_values("ha")
first_cut = sorted_region_ha.iloc[region_count - 2]["ha"]
second_cut = sorted_region_ha.iloc[region_count - 1]["ha"]
sorted_region_ha

Datos Nacionales¶

data_region_ch = data_ch.groupby('Region')['ha'].sum().reset_index()
data_region_ch

print(f"Hectáreas totales {data_region_ch['ha'].sum():.2f} ha")

Hectáreas totales 1193195.00 ha

data_region_ch["Region"] = pd.Categorical(data_region_ch["Region"],
                                          categories=region_order,
                                          ordered=True)
data_region_ch.sort_values("Region", inplace=True)
data_region_ch

Capa 3: Reporte Digital¶

Datos CBD¶

fig, (ax, ax2) = plt.subplots(2, 1, sharex=True, height_ratios=[1, 3], figsize=(8, 6))

position = np.arange(len(data_region_cbd))
width = 0.35

ax.bar(position, data_region_cbd["ha"], width, label="Área [Ha]", color="steelblue")
ax2.bar(position, data_region_cbd["ha"], width, label="Área [Ha]", color="steelblue")

ax.set_ylim(second_cut * (1 - 5e-3), second_cut * (1 + 5e-4))
ax2.set_ylim(0, first_cut * 1.1)

fig.subplots_adjust(hspace=0.05)

# hide the spines between ax and ax2
ax.spines.bottom.set_visible(False)
ax2.spines.top.set_visible(False)
ax.xaxis.tick_top()
ax.xaxis.set_visible(False)
ax.tick_params(labeltop=False)
ax2.xaxis.tick_bottom()

d = .5  # proportion of vertical to horizontal extent of the slanted line
kwargs = dict(marker=[(-1, -d), (1, d)], markersize=12,
              linestyle="none", color='k', mec='k', mew=1, clip_on=False)
ax.plot([0, 1], [0, 0], transform=ax.transAxes, **kwargs)
ax2.plot([0, 1], [1, 1], transform=ax2.transAxes, **kwargs)

ax2.set_xlabel("Regiones")
ax2.set_ylabel("Área [Ha]")

ax2.set_xticks(position)
ax2.set_xticklabels(data_region_cbd["Region"], rotation=45, ha='right')

fig.tight_layout()
fig.savefig("regiones_cbd.png")
plt.show()
plt.close(fig)

data_time_cbd = data_cbd.groupby('Year')['ha'].sum().reset_index()
data_time_cbd['ha (cumulative)'] = data_time_cbd['ha'].cumsum()
# data_time_cbd = data_time_cbd.drop(4)
# data_time_cbd["Year"] = data_time_cbd["Year"].astype(int)
data_time_cbd

Debido a presencia de datos sin año (Sin información precisa), se omite el gráfico de tiempo para datos CBD.

fig, ax = plt.subplots(figsize=(8, 6))

ax.plot(data_time_cbd["Year"], data_time_cbd["ha (cumulative)"], marker='o', color="steelblue", label="Área acumulada")
ax.text(2025 - 0.34, data_time_cbd["ha (cumulative)"][3], f'{data_time_cbd["ha (cumulative)"][3]} ha')
ax.set_xlabel("Año")
ax.set_ylabel("Área [Ha]")

ax.set_xticks(data_time_cbd["Year"])
ax.set_xticklabels(data_time_cbd["Year"], rotation=45, ha='right')
ax.set_ylim(0)

# ax2 = ax.twinx()
ax.plot(data_time_cbd["Year"], data_time_cbd["ha"], marker='o', color="coral", label="Área por año")
ax.legend()

fig.tight_layout()
fig.savefig("years_cbd.png")
plt.show()
plt.close(fig)

Datos Nacionales¶

fig, ax = plt.subplots(figsize=(8, 6))

position = np.arange(len(data_region_ch))
width = 0.35

ax.bar(position, data_region_ch["ha"], width, label="Área [Ha]", color="steelblue")
ax.set_xlabel("Regiones")
ax.set_ylabel("Área [Ha]")

ax.set_xticks(position)
ax.set_xticklabels(data_region_ch["Region"], rotation=45, ha='right')

fig.tight_layout()
fig.savefig("regiones_nacional.png")
plt.show()
plt.close(fig)

data_time_ch = data_ch.groupby('Year')['ha'].sum().reset_index()
data_time_ch['ha (cumulative)'] = data_time_ch['ha'].cumsum()
data_time_ch["Year"] = data_time_ch["Year"].astype(int)
data_time_ch

fig, ax = plt.subplots(figsize=(8, 6))

ax.plot(data_time_ch["Year"], data_time_ch["ha (cumulative)"], marker='o', color="steelblue", label="Área acumulada")
ax.text(2025 - 2, data_time_ch["ha (cumulative)"][7] + 2e4, f'{data_time_ch["ha (cumulative)"][7]} ha')
ax.set_xlabel("Año")
ax.set_ylabel("Área [Ha]")

ax.set_xticks(data_time_ch["Year"])
ax.set_xticklabels(data_time_ch["Year"], rotation=45, ha='right')
ax.set_ylim(0)

# ax2 = ax.twinx()
ax.plot(data_time_ch["Year"], data_time_ch["ha"], marker='o', color="coral", label="Área por año")
ax.legend()

fig.tight_layout()
fig.savefig("years_nacional.png")
plt.show()
plt.close(fig)