From 1 - 10 / 550
  • This land cover classification refers to a study area in Mato Grosso state, in the Cerrado biome. For this map, the CBERS-4/AWFI monthly data cube was used, with a spatial resolution of 64 meters, using the best pixel composition function (Stack). This experiment uses the time series of an agricultural calendar year, from September 2018 to August 2019, extracted from the CBERS-4/AWFI data cube. 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 applying the random forest algorithm. The classification quality assessment using 5-fold cross-validation (Wiens et al., 2008) of the training samples showed an overall accuracy of 97.0% and a Kappa index of 0.96. For more information see the paper "CBERS DATA CUBE: A POWERFUL TECHNOLOGY FOR MAPPING AND MONITORING BRAZILIAN BIOMES". To access this resource in GeoTIFF format it is necessary to have an access key provided by the BDC-OAuth service.

  • This land cover classification refers to a study area in Bahia state, in the Cerrado biome. For this map, the CBERS-4/AWFI monthly data cube was used, with a spatial resolution of 64 meters, using the best pixel composition function (Stack). This experiment uses the time series of an agricultural calendar year, from September 2018 to August 2019, extracted from the CBERS-4/AWFI data cube. The classification was made using 922 samples (Pasture: 258; Agriculture: 242; Natural Vegetation: 422) and the following data cube bands: red, green, blue, and near-infrared (NIR) along with the NDVI and EVI indices. We trained a multi-layer perceptron for a deep learning classification network to classify the data cube using sits R package. Validation was done using good practice guidelines by Olofsson. The validation was done independently for each map using the PRODES Cerrado data of 2019. This data obtained overall accuracy (OA) 0.74. For more information see the paper "Earth Observation Data Cubes for Brazil: Requirements, Methodology and Products". To access this resource in GeoTIFF format it is necessary to have an access key provided by the BDC-OAuth service.

  • This land cover classification refers to a study area in Bahia state, in the Cerrado biome. For this map, the Landsat-8 monthly data cube was used, with a spatial resolution of 30 meters, using the best pixel composition function (Stack). This experiment uses the time series of an agricultural calendar year, from September 2018 to August 2019, extracted from the Sentinel-2 data cube. The classification was made using 922 samples (Pasture: 258; Agriculture: 242; Natural Vegetation: 422) and the following data cube bands: red, green, blue, and near-infrared (NIR) along with the NDVI and EVI indices. We trained a multi-layer perceptron for a deep learning classification network to classify the data cube using sits R package. Validation was done using good practice guidelines by Olofsson. The validation was done independently for each map using the PRODES Cerrado data of 2019. This data obtained overall accuracy (OA) 0.90. For more information see the paper "Earth Observation Data Cubes for Brazil: Requirements, Methodology and Products". To access this resource in GeoTIFF format it is necessary to have an access key provided by the BDC-OAuth service.

  • This land cover classification refers to a study area in Mato Grosso state, in the Cerrado biome. For this map, the CBERS-4/AWFI monthly data cube was used, with a spatial resolution of 64 meters, using the best pixel composition function (Stack). This experiment uses the time series of an agricultural calendar year, from September 2018 to August 2019, extracted from the CBERS-4/AWFI data cube. 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. To access this resource in GeoTIFF format it is necessary to have an access key provided by the BDC-OAuth service.

  • This land cover classification refers to a study area in Goiás state, in the Cerrado biome. For this map, the CBERS-4/AWFI monthly data cube was used, with a spatial resolution of 64 meters, using the best pixel composition function (Stack). This experiment uses the time series of an agricultural calendar year, from September 2018 to August 2019, extracted from the CBERS-4/AWFI data cube. The classification was made using 701 samples (Annual Crop: 299; Natural: 202; Pasture: 200) and the following data cube bands: red, green, blue, and near-infrared (NIR) along with the NDVI and EVI indices. We trained a multi-layer perceptron for a deep learning classification network to classify the data cube using sits R package. To access this resource in GeoTIFF format it is necessary to have an access key provided by the BDC-OAuth service.

  • Categories  

    Cidades Resilientes são cidades ou áreas urbanas que seguem parâmetros internacionalmente estabelecidos, relacionados principalmente às mudanças climáticas e ao risco; governos e população integrados aos problemas da cidade. A participação do município no Programa mostra o seu compromisso em edificar a sua resiliência por meio da definição de ações e prioridades na área de gestão do risco de desastres em sua localidade. Considerando a temática de capacidade adaptativa de planejamento e gestão de risco para recursos hídricos, o indicador é proveniente da ponderação atribuída segundo a adesão (0,50) ou não (0,30) ao programa, multiplicado pelo peso atribuído pelos especialistas considerando a relevância regional do mesmo à ameaça de seca. A informação sobre a adesão ou não ao programa foi obtida através da Secretaria Nacional de Proteção e Defesa Civil (SEDEC) para o período de 2014 a 2016. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas – AdaptaBrasil MCTI.

  • Categories  

    Capacidade municipal de discutir de forma inclusiva e participativa a agenda de transportes, bem como o planejamento e a execução de ações relacionadas a essa agenda. É resultante da média simples de dois indicadores: Existência de Conselho Municipal de Transportes e a existência de Plano Municipal de Transporte. Ambos coletados na Pesquisa de Informações Básicas Municipais, disponibilizada pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para 2020, nas tabelas 8431 e 8436, respectivamente. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

  • Categories  

    Capacidade econômica municipal de investimento e renda em função da densidade urbana municipal. Indicador composto pela média do Produto Interno Bruto a preços correntes (Mil Reais) entre os anos de 2010-2019, dividido pela área urbanizada do município (referência de 2019) - Mil Reais por quilômetro quadrado urbanizado. Dados obtidos em Instituto Brasileiro de Geografia e Estatística (IBGE), em parceria com os Órgãos Estaduais de Estatística, Secretarias Estaduais de Governo e Superintendência da Zona Franca de Manaus - SUFRAMA. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

  • Categories  

    Capacidade municipal na gestão dos resíduos sólidos e ações periódicas de limpeza pública em épocas de chuva. Indicador de capacidade adaptativa, com ações de curto, médio e longo prazos de planejamento. Composto pelas variáveis: Existência de limpeza periódica dos bueiros da cidade, especialmente, antes do período de chuvas e Municípios com Plano de Gestão Integrada de Resíduos Sólidos, ambos coletados na Pesquisa de Informações Básicas Municipais, disponibilizada pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para 2020, tabelas 8541 e 8488, respectivamente. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.

  • Categories  

    Nível de implementação e articulação de planos municipais de saneamento básico considerando a temática de capacidade em saneamento básico. O nível de implementação considerou a existência de avaliação e monitoramento sistemáticos das ações programadas; de diagnóstico da situação da prestação dos serviços públicos de saneamento básico e de seus impactos nas condições de vida da população local; de definição do ente regulador do serviço; de ações para emergências e contingência; de objetivos e metas de curto, médio e longo prazos de universalização dos serviços; de programas, projetos e ações necessárias para atingir os objetivos e metas propostos; e de definição de tarifa social para serviços de saneamento básico. E o nível de articulação considerou a participação de consórcio público na área de saneamento em nível estadual e/ou intermunicipal. O indicador é resultante da multiplicação entre a ponderação do nível de implementação e articulação de planos municipais de saneamento básico e o peso atribuído pelos especialistas considerando a relevância regional do mesmo à ameaça de seca. As informações-base foram obtidas em Pesquisa de Informações Básicas Municipais (MUNIC) disponibilizadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para os anos de 2015 e 2017, conforme disponibilidade de dados. Fonte: Sistema de Informações e Análises sobre Impactos das Mudanças Climáticas - AdaptaBrasil MCTI.