Análises Espaço-temporal Integradas de Saúde, Clima e Ambiente no Brasil

O climasus4r transforma como pesquisadores analisam a interseção de clima, saúde e ambiente no Brasil. Este pacote R integra dados de múltiplas fontes—sistemas de saúde, estações meteorológicas, imagens de satélite e bancos de dados socioeconômicos—em um framework analítico unificado. O que normalmente levaria meses de manipulação manual de dados agora leva minutos ou segundos, graças a pipelines automatizados que garantem reprodutibilidade e rigor científico. Com o climasus4r usuários podem compartilhar não apenas resultados, mas fluxos de trabalho analíticos inteiros que outros podem verificar e construir sobre.

Por que usar climasus4r?

Aspecto climasus4r Pacotes Similares

Integração Saúde-Clima ✓ Nativa ✗ Requer integração manual

Dados SUS Automatizados ✓ Sim (6 sistemas) ✗ Requer download manual

RAPs (Reprodutibilidade) ✓ Integrado ✗ Requer documentação manual

Multilíngue ✓ PT/ES/EN ✗ Geralmente apenas EN

Processamento Paralelo ✓ Nativo ✗ Requer configuração manual

Agregação Espaciotemporal ✓ Flexível (15+ opções) ✗ Limitado

Foco em Contexto Brasileiro ✓ Sim ✗ Genérico

Aspecto	climasus4r	Pacotes Similares
Integração Saúde-Clima	✓ Nativa	✗ Requer integração manual
Dados SUS Automatizados	✓ Sim (6 sistemas)	✗ Requer download manual
RAPs (Reprodutibilidade)	✓ Integrado	✗ Requer documentação manual
Multilíngue	✓ PT/ES/EN	✗ Geralmente apenas EN
Processamento Paralelo	✓ Nativo	✗ Requer configuração manual
Agregação Espaciotemporal	✓ Flexível (15+ opções)	✗ Limitado
Foco em Contexto Brasileiro	✓ Sim	✗ Genérico

Principais Funcionalidades

Integração Unificada de Dados: Combine dados de saúde (SUS), clima (INMET, ERA5), ambientais (MapBiomas, AQI) e socioeconômicos (IBGE) de forma transparente.

Pipelines Automatizados: Importe, limpe, padronize e agregue dados com poucas linhas de código.

Workflows Reprodutíveis: Gere RAPs (Reproducible Analytical Pipelines) que documentam cada etapa da sua análise.

Agregação Flexível: Analise dados em escalas diárias, semanais, mensais, sazonais ou anuais; em níveis municipais, regionais ou nacionais.

Suporte Multilíngue: Saídas em Português, Espanhol ou Inglês.

Alta Performance: Processamento paralelo para lidar com grandes volumes de dados de forma eficiente.

Instalação

O pacote climasus4r está disponível via r-universe e GitHub. Recomendamos a Opção 1 para a maioria dos usuários — não requer remotes/devtools nem token do GitHub.

Opção 1: Instalação via r-universe (Recomendado)

install.packages("climasus4r", repos = c(
  "https://bymaxanjos.r-universe.dev",
  "https://cloud.r-project.org"
))

Opção 2: Instalação via GitHub

Caso você ainda não tenha o pacote remotes instalado, execute o código abaixo:

::: callout-tip Pré-requisito:: Se você já tem o remotes ou devtools instalado, pode pular essa etapa. :::

if (!require("remotes")) { install.packages("remotes")}

# Instalar ou atualizar o pacote diretamente do GitHub
remotes::install_github("ByMaxAnjos/climasus4r", upgrade = "never")

::: callout-warning Atualizações: O climasus4r está em desenvolvimento ativo. Para atualizar, basta executar o comando acima novamente. O R irá sobrescrever a versão antiga automaticamente. Após a atualização, recomenda-se reiniciar a sessão (Menu: Session > Restart R). :::

Opção 3: Instalação via Arquivo Local (.zip)

Esta opção é recomendada para ambientes com instabilidade de conexão, restrições de rede ou uso em treinamentos com múltiplos usuários.

Baixar o pacote: Clique AQUI para baixar o .zip
Extrair o arquivo: Extraia o conteúdo em uma pasta de fácil acesso (ex: Downloads ou Desktop).
Instalar localmente: Execute o comando abaixo, ajustando o caminho para a pasta onde você extraiu o arquivo:

# IMPORTANTE: Altere o caminho abaixo para o local onde você salvou o pacote
remotes::install_local(
  "C:/Caminho/Para/Sua/Pasta/climasus4r-master", 
  upgrade = "never"
)

Carregando o pacote

Após a instalação, carregue o pacote sempre que iniciar uma nova sessão no R para liberar as funções:

library(climasus4r)

Início Rápido

library(climasus4r)

# Pipeline completo da Fase 1: Dados prontos para análise em 8 passos
df_analise <- sus_data_import(
  uf = "SP",
  year = 2023,
  system = "SIM-DO"
) |>
  sus_data_clean_encoding(lang = "pt") |>
  sus_data_standardize(lang = "pt") |>
  sus_data_filter_cid(disease_group = "respiratory", lang = "pt") |>
  sus_create_variables(
    create_age_groups = TRUE,
    create_calendar_vars = TRUE,
    lang = "pt"
  ) |>
  sus_data_filter_demographics(
    age_range = c(0, 5),  # Crianças menores de 5 anos
    sex = c("Feminino", "Masculino"),
    lang = "pt"
  ) |>
  sus_data_aggregate(
    time_unit = "day",
    lang = "pt"
  )
#Save
sus_data_export(df_analise,
    file_path = "dados_respiratorias_pediatricas_sp_2023.csv",
    format = "csv",
    include_metadata = TRUE,
    lang = "pt"
  )

climasus4r — Catálogo Completo de Funções

Pipeline integrado de análise saúde-clima-ambiente no Brasil.
~65 funções exportadas · 81 arquivos R · idiomas: pt (padrão), en, es

Pipeline de Processamento

sus_data_import() / sus_data_read()
        ↓
sus_data_clean_encoding() → sus_data_standardize()
        ↓
sus_data_filter_cid() → sus_data_filter_demographics() → sus_data_create_variables()
        ↓
sus_data_aggregate()
        ↓
sus_spatial_join()  |  sus_climate_*/sus_grid_*  |  sus_socio_add_census()
        ↓
sus_mod_dlnm() / sus_mod_casecrossover() / sus_mod_ml() / sus_mod_spatial_*() ...
        ↓
sus_mod_plot_*() / sus_data_plot_*() / sus_data_export()

1. Metadados e Classe Central

Função	Arquivo	Input	Output	Descrição
`sus_meta()`	`climasus_meta.R`	`x` (climasus_df), `field`, `add_history`, `valid_values`	lista / campo / climasus_df atualizado	Lê ou escreve metadados do pipeline (stage, type, system, history)

2. Importação

Função	Arquivo	Input	Output (stage)	Descrição
`sus_data_import()`	`sus_data_import.R`	`system`, `uf`, `year`, `month`, `lang`	`"import"`	Baixa dados via microdatasus (SIM, SIH, SINAN, SIA, CNES, SINASC)
`sus_data_read()`	`sus_data_read.R`	`path`, `system`, `lang`	`"import"`	Lê arquivos SUS locais (.dbc, .parquet, .csv)

3. Preparação e Limpeza

Função	Arquivo	Input (stage)	Output (stage)	Descrição
`sus_data_clean_encoding()`	`sus_data_clean_encoding.R`	`"import"`	`"clean"`	Corrige encoding Latin-1/UTF-8 e caracteres malformados
`sus_data_standardize()`	`sus_data_standardize.R`	`"clean"`	`"stand"`	Padroniza nomes de colunas e tipos entre sistemas SUS

4. Filtragem e Derivação

Função	Arquivo	Input (stage)	Output (stage)	Descrição
`sus_data_filter_cid()`	`sus_data_filter_cid.R`	`"stand"`	`"filter_cid"`	Filtra por capítulos ou códigos CID-10
`sus_data_filter_demographics()`	`sus_data_filter_demographics.R`	`"filter_cid"`	`"filter_demo"`	Filtra por faixa etária, sexo e localidade de residência
`sus_data_create_variables()`	`sus_create_variables.R`	`"filter_demo"`	`"derive"`	Cria variáveis derivadas (grupos etários, dia da semana, sazonalidade)
`sus_filter_cid_explore()`	`sus_filter_cid_explore.R`	`df`, `lang`, `output`	viewer / tibble	Navegador interativo de grupos CID-10
`sus_data_cid_select()`	`sus_data_filter_cid.R`	`df`, `cid_group`, `lang`	climasus_df filtrado	Seleção de desfechos por grupo CID predefinido

5. Agregação e Exportação

Função	Arquivo	Input	Output	Descrição
`sus_data_aggregate()`	`sus_data_aggregate.R`	climasus_df, `by`, `unit`, `lang`	`"aggregate"`	Agrega registros por município × data × variável
`sus_data_export()`	`sus_data_export.R`	climasus_df, `path`, `format`	arquivo .parquet / .duckdb	Exporta dados processados
`sus_data_quality_report()`	`sus_data_quality_report.R`	climasus_df, `lang`, `output`	HTML/PDF	Relatório diagnóstico de completude e consistência

6. Visualização de Dados de Saúde

Função	Arquivo	Input	Output	Descrição
`sus_data_plot_demographics()`	`sus_data_plot_demographics.R`	climasus_df, `lang`	ggplot2	Pirâmide etária, sexo, distribuições demográficas
`sus_data_plot_aggregate_ts()`	`sus_data_plot_aggregate_ts.R`	climasus_df, `by`, `lang`	ggplot2	Série temporal de desfechos agregados
`sus_data_plot_aggregate_map()`	`sus_data_plot_aggregate_map.R`	climasus_df, `year`, `lang`	ggplot2 / mapa	Mapa por município dos desfechos

7. Integração Espacial

Função	Arquivo	Input	Output (stage)	Descrição
`sus_spatial_join()`	`sus_join_spatial.R`	climasus_df, `level` (munic/state/biome), `lang`, `use_cache`	`"spatial"` + sf	Vincula dados SUS a limites administrativos brasileiros via geobr

8. Dados Climáticos — Estações INMET

Função	Arquivo	Input	Output	Descrição
`sus_climate_inmet()`	`sus_climate_inmet.R`	`stations`, `start_date`, `end_date`, `lang`	type="inmet"	Importa dados horários INMET (temperatura, umidade, chuva, vento)
`sus_climate_fill_inmet()`	`sus_climate_fill_gap.R`	climasus_df (inmet), `method`	type="filled"	Preenche lacunas por interpolação espacial ou regressão
`sus_climate_normals()`	`sus_climate_normals.R`	`stations`, `period`, `lang`	normais climatológicas	Médias de 30 anos por estação
`sus_climate_normals_meta()`	`sus_climate_normals.R`	`stations`, `lang`	tibble de metadados	Lista normais disponíveis por estação
`sus_climate_anomaly()`	`sus_climate_anomaly.R`	`observed`, `normals`, `method`, `vars`	type="anomaly"	Anomalias climáticas (absoluta / relativa / padronizada)
`sus_climate_aggregate()`	`sus_climate_aggregate.R`	health_data, climate_data, `climate_var`, `temporal_strategy`, `lag_days`	climasus_df integrado	Integra clima ao dado de saúde com 10 estratégias temporais
`sus_climate_compute_heatwaves()`	`sus_climate_compute_heatwaves.R`	climasus_df, `method`, `baseline_*`, `percentile`	lista climasus_hw (`$events`, `$daily`, `$summary`)	Detecta ondas de calor (WHO, WMO, ECCA, local)
`sus_climate_compute_spi()`	`sus_climate_compute_spi.R`	climasus_df, `scale`, `lang`	SPI	Índice Padronizado de Precipitação
`sus_climate_compute_spei()`	`sus_climate_compute_spei.R`	climasus_df, `scale`, `lang`	SPEI	Índice de Precipitação-Evapotranspiração Padronizado
`sus_climate_compute_indicators()`	`sus_climate_compute_indicators.R`	climasus_df, `indicators`, `region`, `keep_source_vars`	wbgt_c, hi_c, utci_c, pet_c, cdd_c, hdd_c…	15+ índices bioclimáticos e de estresse térmico

Auxiliares de Ondas de Calor:

Função	Arquivo	Input	Output	Descrição
`hw_get_events()`	`sus_climate_compute_heatwaves.R`	climasus_hw	tibble de eventos	Extrai eventos discretos de onda de calor
`hw_count_by_year()`	`sus_climate_compute_heatwaves.R`	climasus_hw	tibble anual	Contagem anual de eventos e dias de onda de calor
`hw_active_days()`	`sus_climate_compute_heatwaves.R`	climasus_hw	tibble filtrado	Filtra dias com onda de calor ativa

Visualização Climática:

Função	Arquivo	Input	Output	Descrição
`sus_climate_plot_aggregate()`	`sus_climate_plot_aggregate.R`	climasus_df, `lang`	ggplot2	Série temporal de variáveis climáticas
`sus_climate_plot_fill()`	`sus_climate_plot_fill.R`	climasus_df, `lang`	ggplot2	Padrão de dados faltantes e preenchimento
`sus_climate_plot_heatwaves()`	`sus_climate_plot_heatwaves.R`	climasus_hw, `lang`	ggplot2	Timeline e frequência das ondas de calor

9. Dados Gradeados — Satélite / Reanálise

Função	Arquivo	Input	Output	Descrição
`sus_grid_chirps()`	`sus_grid_chirps.R`	`bbox`, datas, `lang`	precipitação CHIRPS	Chuva diária 0,05°
`sus_grid_era5()`	`sus_grid_era5.R`	`bbox`, `variables`, datas	ERA5	Temperatura, umidade, vento, radiação
`sus_grid_fires()`	`sus_grid_fires.R`	`bbox`, datas	queimadas	Focos de incêndio FIRMS/PRODES
`sus_grid_pdsi()`	`sus_grid_pdsi.R`	`bbox`, datas	PDSI	Índice Palmer de Severidade de Seca
`sus_grid_smvi()`	`sus_grid_smvi.R`	`bbox`, `indices`, datas	NDVI/NDWI/EVI	Índices de vegetação e umidade do solo
`sus_grid_prodes()`	`sus_grid_prodes.R`	`bbox`, `year`	desmatamento	Desmatamento acumulado PRODES/INPE
`sus_grid_pollution_cams()`	`sus_grid_pollution_cams.R`	`bbox`, `pollutants`, datas	poluentes CAMS	Qualidade do ar Copernicus
`sus_grid_pollution_ghap()`	`sus_grid_pollution_ghap.R`	`bbox`, datas	PM2.5 GHAP	Material particulado fino
`sus_grid_pollution_merra2()`	`sus_grid_pollution_merra2.R`	`bbox`, `variables`, datas	aerossóis MERRA-2	Aerossóis e gases NASA
`sus_grid_join()`	`sus_grid_join.R`	health_df, grid_df, `by`	climasus_df integrado	Vincula dados gradeados ao dataset por município × data

10. Dados Socioeconômicos — Censo

Função	Arquivo	Input	Output (stage)	Descrição
`sus_census_select()`	`sus_census_explore.R`	`dataset`, `year`, `lang`	data.frame / vetor	Navega variáveis censitárias disponíveis (censobr)
`sus_socio_add_census()`	`sus_socio_add_census.R`	climasus_df, `variables`, `year`	`"census"`	Vincula renda, escolaridade, saneamento ao dataset

11. Modelagem Epidemiológica

11a. Exposição-Resposta

Função	Arquivo	Input	Output (S3)	Descrição
`sus_mod_dlnm()`	`sus_mod_dlnm.R`	climasus_df, `outcome_col`, `climate_col`, `lag_max`, `argvar`, `arglag`, `family`, `covariates`, `ref_value`, `alpha`, `lang`	`climasus_dlnm`	DLNM — superfície lag-exposição para associação clima-saúde
`sus_mod_casecrossover()`	`sus_mod_casecrossover.R`	climasus_df, `outcome_col`, `exposure_col`, `stratum`, `lag`, `method`, `family`, `alpha`, `lang`	`climasus_casecrossover`	Caso-cruzado com estratificação temporal; Poisson condicional ou clogit
`sus_mod_its()`	`sus_mod_its.R`	climasus_df, `outcome_col`, `interruption_dates`, `harmonics`, `family`, `covariates`, `alpha`, `lang`	`climasus_its`	Série temporal interrompida para avaliação de intervenções
`sus_mod_excess()`	`sus_mod_excess.R`	climasus_df, `outcome_col`, `control_period`, `study_period`, `method`, `dof_per_year`, `family`, `alpha`, `lang`	`climasus_excess`	Excesso de mortalidade/morbidade via contrafactual spline/Serfling

11b. Análise de Impacto

Função	Arquivo	Input	Output (S3)	Descrição
`sus_mod_af()`	`sus_mod_af.R`	`climasus_dlnm`, `threshold`, `range`, `by`, `nsim`, `alpha`, `lang`	`climasus_af`	Fração e número atribuível ao calor/frio a partir do DLNM
`sus_mod_burden()`	`sus_mod_burden.R`	lista de `climasus_dlnm`, `component`, `rank_by`, `top_n`, `nsim`, `alpha`, `lang`	`climasus_burden`	Carga de doença e ranking de cidades; curvas de concentração

11c. Pooling Multi-cidade

Função	Arquivo	Input	Output (S3)	Descrição
`sus_mod_pool()`	`sus_mod_pool.R`	lista de `climasus_dlnm`, `exposure_range`, `n_grid`, `blup`, `method`, `lang`	`climasus_pool`	Pooling dois estágios via mvmeta
`sus_mod_metaregression()`	`sus_mod_metaregression.R`	lista de `climasus_dlnm`, `covariates`, `covariate_cols`, `blup`, `method`, `lang`	`climasus_metaregression`	Meta-regressão com covariáveis de cidade; BLUPs preditivos

11d. Machine Learning e Sensibilidade

Função	Arquivo	Input	Output (S3)	Descrição
`sus_mod_ml()`	`sus_mod_ml.R`	climasus_df, `outcome_col`, `feature_cols`, `id_col`, `objective`, `nrounds`, `seed`, `lang`	`climasus_ml`	XGBoost para predição de desfechos em saúde
`sus_mod_sensitivity()`	`sus_mod_sensitivity.R`	lista de `climasus_dlnm`, `hot_percentile`, `cold_percentile`, `stratum_labels`, `alpha`, `lang`	`climasus_sensitivity`	Comparação de RR por estratos de vulnerabilidade

12. Epidemiologia Espacial e Espaço-Temporal

Função	Arquivo	Input	Output	Descrição
`sus_mod_spatial_weights()`	`sus_mod_spatial_weights.R`	sf (climasus_df), `style`, `order`	pesos espaciais	Matriz de contiguidade/distância
`sus_mod_spatial_moran()`	`sus_mod_spatial_moran.R`	climasus_df (spatial), weights, `var_col`	I de Moran global e LISA	Autocorrelação espacial
`sus_mod_spatial_scan()`	`sus_mod_spatial_scan.R`	climasus_df, `outcome_col`, `pop_col`, `method`	clusters	Estatística de varredura espacial
`sus_mod_spatial_bayes()`	`sus_mod_spatial_bayes.R`	climasus_df (spatial), `outcome_col`, `model`	suavização Bayesiana	Modelos BYM / ICAR
`sus_mod_spatial_reg()`	`sus_mod_spatial_reg.R`	climasus_df (spatial), `formula`, `type`	SAR / SEM / SDM	Regressão espacial
`sus_mod_spacetime_bayes()`	`sus_mod_spacetime_bayes.R`	climasus_df (spatial+temporal), `model`	INLA / Stan	Modelo Bayesiano espaço-temporal
`sus_mod_spacetime_exceedance()`	`sus_mod_spacetime_exceedance.R`	`climasus_spacetime_bayes`, `threshold`	probabilidades	Excedências espaço-temporais
`sus_mod_spacetime_predict()`	`sus_mod_spacetime_predict.R`	`climasus_spacetime_bayes`, `newdata`	predições	Predições espaço-temporais
`sus_mod_vulnerability_index()`	`sus_mod_vulnerability_index.R`	climasus_df, `exposure_cols`, `sensitivity_cols`, `adaptive_cols`, `method`	índice composto	Índice de Vulnerabilidade Climática
`sus_mod_swot()`	`sus_mod_swot.R`	climasus_df, `dimensions`, `lang`	`climasus_swot`	Análise SWOT do sistema de saúde frente ao clima

13. Visualização de Modelos

Função	Arquivo	Input	Output	Descrição
`sus_mod_plot_dlnm()`	`sus_mod_plot_dlnm.R`	`climasus_dlnm`, `type` (surface/exposure/lag)	ggplot2 / plotly	Curva exposição-resposta, lag-resposta, superfície 3D
`sus_mod_plot_af()`	`sus_mod_plot_af.R`	`climasus_af`	ggplot2	Fração atribuível por período e limiar
`sus_mod_plot_burden()`	`sus_mod_plot_burden.R`	`climasus_burden`	ggplot2	Ranking de carga de doença; curva de Lorenz
`sus_mod_plot_pool()`	`sus_mod_plot_pool.R`	`climasus_pool`, `type`	ggplot2	Curvas pooled + BLUPs; forest plot
`sus_mod_plot_ml()`	`sus_mod_plot_ml.R`	`climasus_ml`, `type` (importance/shap/pred)	ggplot2	Importância de variáveis e SHAP values
`sus_mod_plot_sensitivity()`	`sus_mod_plot_sensitivity.R`	`climasus_sensitivity`	ggplot2	Heatmap de RR por estratos de vulnerabilidade
`sus_mod_plot_spatial_bayes()`	`sus_mod_plot_spatial_bayes.R`	`climasus_spatial_bayes`	ggplot2 / tmap	Mapas suavizados Bayesianos (SIR, risco relativo)
`sus_mod_plot_spatial_moran()`	`sus_mod_plot_spatial_moran.R`	`climasus_moran`	ggplot2	Moran scatterplot e LISA map
`sus_mod_plot_spatial_scan()`	`sus_mod_plot_spatial_scan.R`	`climasus_scan`	ggplot2 / tmap	Mapa de clusters detectados
`sus_mod_plot_spacetime()`	`sus_mod_plot_spacetime.R`	`climasus_spacetime_bayes`, `type`	ggplot2 / animação	Animação espaço-temporal / facet-map
`sus_mod_plot_vulnerability()`	`sus_mod_plot_vulnerability.R`	climasus_df (vulnerability)	ggplot2 / tmap	Mapas e perfis de vulnerabilidade
`sus_mod_plot_swot()`	`sus_mod_plot_swot.R`	`climasus_swot`	ggplot2	Quadrante SWOT

14. Infraestrutura e Utilitários

Função	Arquivo	Input	Output	Descrição
`sus_as_arrow()`	`utils-S3.R`	climasus_df	Arrow Table (lazy)	Converte para backend Arrow/Parquet
`sus_as_duckdb()`	`utils-S3.R`	climasus_df	DuckDB relation	Converte para backend DuckDB
`write_parquet_climasus()`	`sus_data_export.R`	climasus_df, `path`	arquivo .parquet	Serializa com metadados embutidos no schema Arrow
`write_duckdb_climasus()`	`sus_data_export.R`	climasus_df, `con`, `name`	tabela DuckDB	Persiste com tabela companion de metadados
`sus_cache_clear()`	`utils.R`	—	logical	Limpa cache global de downloads
`sus_cache_info()`	`utils.R`	—	lista	Estatísticas de uso do cache
`sus_install_deps()`	`utils.R`	`packages`, `lang`	logical	Instala dependências opcionais (sf, arrow, censobr…)
`%>%`	`utils-pipe.R`	—	objeto encadeado	Re-exportação do pipe magrittr

Resumo por Estágio do Pipeline

#	Estágio	Funções-chave	Propósito
1	Importação	`sus_data_import`, `sus_data_read`	Baixar/ler dados SUS brutos
2	Limpeza	`sus_data_clean_encoding`, `sus_data_standardize`	Preparar dados
3	Filtragem	`sus_data_filter_cid`, `sus_data_filter_demographics`	Selecionar subconjuntos
4	Derivação	`sus_data_create_variables`, `sus_data_aggregate`	Calcular variáveis e agregar
5	Espacial	`sus_spatial_join`	Vincular a geometrias
6	Clima (Estações)	`sus_climate_inmet`, `sus_climate_aggregate`, `sus_climate_compute_*`	Integrar INMET
7	Clima (Grade)	`sus_grid_chirps`, `sus_grid_era5`, `sus_grid_pollution_*`	Integrar satélite/reanálise
8	Socioeconômico	`sus_socio_add_census`	Vincular censo
9	Modelagem	`sus_mod_dlnm`, `sus_mod_casecrossover`, `sus_mod_ml`, `sus_mod_spatial_*`	Análise epidemiológica
10	Visualização	`sus_mod_plot_`, `sus_data_plot_`, `sus_climate_plot_*`	Gráficos e mapas
11	Exportação	`sus_data_export`, `write_parquet_climasus`	Persistir resultados

Financiamento

O projeto climasus4r é financiado pelo Ministério da Saúde, pela Fundação Oswaldo Cruz Rondônia (FIOCRUZ-RO / CCSRO) e pelo Instituto Nacional de Ciência e Tecnologia de Pesquisa e Conhecimento de Excelência da Amazônia Ocidental - INCT-CONEXAO. O fomento abrange:

Núcleo Permanente de Climatologia (NPC) INCT-CONEXÃO
Núcleo Avançado de Climatologia (NAC) INCT-CONEXÃO

Agradecimentos

Equipe do microdatasus pela infraestrutura fundamental de importação de dados
DATASUS por fornecer acesso aberto aos dados de saúde brasileiros
INCT Conexão - Amazônia pelo financiamento e suporte
Todos os colaboradores e testadores que ajudaram a melhorar o pacote

Inspiração

Pacote R microdatasus

Como Contribuir

Veja o guia de contribuição em vignettes-pt/contributing.Rmd (também disponível em inglês e espanhol).

Contato

Mantenedor: Max Anjos
Email: maxanjos@campus.ul.pt
GitHub: https://github.com/ByMaxAnjos/climasus4r
Issues: https://github.com/ByMaxAnjos/climasus4r/issues