Indicador simples de exposição que compõe o indicador temático Estrutura Fundiária. Ele representa a exposição dos estabelecimentos agropecuários com agricultura familiar que podem ser impactados em uma situação de seca. A maior suscetibilidade de impacto dos estabelecimentos agropecuários de agricultura familiar à seca se deve a uma combinação de limitações financeiras, tecnológicas, de infraestrutura e de conhecimento, além da alta dependência de recursos naturais. Assim, quanto maior a proporção deste tipo de estabelecimento no município, maior é a exposição à seca. O Indicador é resultante da razão entre o número de estabelecimentos agropecuários com agricultura familiar e a área destes estabelecimentos no município, multiplicado por 100. A metodologia empregada foi a normalização com retirada de outliers nos dados brutos. Dados obtidos no Censo Agropecuário disponibilizado pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para 2017, na escala municipal. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

Este indicador busca inferir uma potencial sensibilidade da população em relação à incidência da Leishmaniose Tegumentar Americana, uma vez que municípios com maiores taxas de incidência podem favorecer o contágio de Leishmaniose Tegumentar Americana na população. O indicador é resultante do número de casos de Leishmaniose Tegumentar Americana para cada ano entre 2007 e 2019, seguida da divisão pela população estimada para o respectivo ano no município, e multiplicado por 100 mil, o que resulta na taxa de incidência anual Leishmaniose Tegumentar Americana por 100 mil habitantes no município para cada ano entre 2007 e 2019. Estes dados de taxas anuais são utilizados para estimar a média da taxa de incidência da Leishmaniose Tegumentar Americana por 100 mil habitantes para todo o período entre 2007 e 2019 no município, que por fim, é multiplicado pelo peso atribuído por especialistas considerando a importância deste indicador à ocorrência da Leishmaniose Tegumentar Americana para os biomas brasileiros. Municípios com maiores médias de taxas de incidência indicam maior sensibilidade do município. O número de casos municipais da Leishmaniose Tegumentar Americana é disponibilizado pelo Ministério da Saúde através do Sistema de Informação de Agravos de Notificação (SINAN) em 2020. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

Este indicador busca inferir uma potencial sensibilidade da população em relação à incidência da Leishmaniose Visceral, uma vez que municípios com maiores taxas de incidência podem favorecer o contágio de Leishmaniose Visceral na população. O indicador é resultante do número de casos de Leishmaniose Visceral para cada ano entre 2007 e 2019, seguida da divisão pela população estimada para o respectivo ano no município, e multiplicado por 100 mil, o que resulta na taxa de incidência anual Leishmaniose Visceral por 100 mil habitantes no município para cada ano entre 2007 e 2019. Estes dados de taxas anuais são utilizados para estimar a média da taxa de incidência da Leishmaniose Visceral por 100 mil habitantes para todo o período entre 2007 e 2019 no município, que por fim, é multiplicado pelo peso atribuído por especialistas considerando a importância deste indicador à ocorrência da Leishmaniose Visceral para os biomas brasileiros. Municípios com maiores médias de taxas de incidência indicam maior sensibilidade do município. O número de casos municipais da Leishmaniose Visceral é disponibilizado pelo Ministério da Saúde através do Sistema de Informação de Agravos de Notificação (SINAN) em 2020. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

Densidade da população em áreas urbanizadas: Indicador calculado pela razão entre o número de moradores em áreas urbanas e o cálculo de área urbanizada. O número de moradores foi coletado no Censo Demográfico de 2010 (Tabela 1378) e o segundo dado foi calculado segundo dado geoespacial de áreas urbanizadas do ano de 2019 (Reges Geográficas 15789), ambos disponibilizados pelo Instituto Brasileiro de Geografia e Estatística (IBGE). O cálculo de área para este último dado foi realizado por município, considerando uma área mínima de polígono de 0,09 km². Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

A realização regular de reuniões com a equipe para discutir a adaptação foi levantado como parte das medidas de gestão que aumentam a resiliência do setor portuário frente às mudanças do clima. Tal indicador foi obtido por meio do formulário aplicado com os 21 portos públicos analisados, no qual os portos apontaram se adotaram (1,00) ou não (0,00) essa medida. O formulário foi aplicada pela WayCarbon em 2020. Fontes: ANTAQ. Impactos e Riscos da Mudança do Clima nos Portos Públicos Costeiros Brasileiros. Brasília: Agência Nacional de Transportes Aquaviários (ANTAQ), 2021. 311 páginas.

This land cover classification refers to a study area in Mato Grosso state, in the Cerrado biome. For this map, the CBERS-4/WFI monthly data cube was used, with a spatial resolution of 64 meters, using the best pixel composition function named as Least Cloud Cover First (LCF), which was previously named Stack in BDC older versions. This experiment uses the time series of an agricultural calendar year, from September 2018 to August 2019, extracted from the CBERS-4/WFI data cube. The input datacube was CBERS-4 (WFI) Cube Identity - v001, which was deprecated. The classification was made using 852 samples (Annual Crop: 257; Natural Vegetation: 245; Pasture: 216; Semi-Perennial Crop: 134) and the following data cube bands: bands red, green, blue, and near-infrared along with the EVI, NDVI, GEMI, GNDVI, NDWI2, PVR indices. We trained a multi-layer perceptron for a deep learning classification network to classify the data cube using sits R package. This product was funded by the Brazilian Development Bank (BNDES).

A presença de rodovias federais e estaduais no município favorece o fluxo populacional, além de alterar o uso e ocupação do solo no território. Com base neste critério de exposição, os municípios foram classificados em função da densidade de rodovias federais e/ou estaduais (km/km²) no município. O cálculo de densidade é dado pela proporção de trechos de rodovias (km) / área do município (km²), que por sua vez foi ponderada pelo peso atribuído por especialistas considerando a importância deste indicador à ocorrência das arboviroses Dengue, Zika e Chikungunya para os biomas brasileiros. A presença no banco de dados de municípios com valores vazios significa que não foram identificadas estradas para o município específico em função da escala de mapeamento. A maior densidade de rodovias federais e/ou estaduais indica maior exposição do município à ocorrência das arboviroses Dengue, Zika e Chikungunya. Os dados referentes à de rodovias federais e/ou estaduais no município foram obtidos da Base cartográficas contínuas – Brasil (escala: 1:250.000) disponibilizados pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para o ano de 2021. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

This is a land cover classification map of Brazilian Amazon, from January to December of 2018. This classification was made on top of Landsat-8 biweekly cubes with spatial resolution of 30 meters, using the best pixel composition function named as Least Cloud Cover First (LCF), which was previously named Stack in BDC older versions. The input datacube was Landsat-8 - OLI - Cube Stack 16 days - v001, which was deprecated. The classification model was trained using 2303 sample points (Agriculture: 405, Forest: 1284, Pasture: 482). The spectral band used were B1, B2, B3, B4, B5, B6, and B7 along with the vegetation indices EVI and NDVI; the clouded observation were identified using the Fmask4 algorithm and estimated using linear interpolation. The classification algorithm was Random Forest. The post-processing included masking water (using Pekel et al 2016). This product was funded by the Brazilian Development Bank (BNDES).