Predição da incidência de Zika a partir de determinantes ambientais e métodos de aprendizado de máquina: uma revisão
DOI:
https://doi.org/10.26848/rbgf.v17.5.p3809-3826Palavras-chave:
arboviroses, Machine Learning, modelagem, revisão sistemáticaResumo
O aumento na atividade epidêmica global, relacionado às arboviroses, resultou na necessidade de obtenção de ferramentas para monitoramento dessas doenças. No Brasil, os casos de Zika no biênio 2015-2016 apresentaram grande desigualdade na distribuição entre as regiões do país e acredita-se que a existência de condições díspares entre essas seja um ponto de partida para o entendimento dessa questão. A realização de análises nesse sentido requer a utilização de metodologias robustas, capazes de identificar as relações complexas e não-lineares existentes entre determinantes ambientais e a incidência de arboviroses. Assim, nesse estudo teve-se como intuito realizar uma revisão bibliográfica acerca da incidência de arboviroses no Brasil e das possibilidades de utilização de aprendizado de máquina na predição de tais doenças. Para isso, foi realizada uma análise documental e revisão sistemática da literatura científica associada ao tema. Os resultados demonstram ser presumível que haja uma relação entre a incidência de Zika e determinantes sanitárias, climáticas e socioeconômicas. Acredita-se que os algoritmos de aprendizado de máquina abordados podem ser utilizados como ferramentas capazes de realizar predições da incidência de Zika, mesmo que se trate de um fenômeno complexo e que demande a avaliação simultânea de múltiplas variáveis.
Downloads
Referências
Albahra, S., Gorbett, T., Robertson, S., D’Aleo, G., Kumar, S. V. S., Ockunzzi, S., Lallo, D., Hu, B., Rashidi, H. H., 2023. Artificial Intelligence and Machine Learning Overview in Pathology & Laboratory Medicine: A General Review of Data Preprocessing and Basic Supervised Concepts. Seminars in Diagnostic Pathology, 40 (2), 71-87. https://doi.org/10.1053/J.SEMDP.2023.02.002
Barbazan, P., Guiserix, M., Boonyuan, W., Tuntaprasart, W., Pontier, D., Gonzalez, J. P., 2010. Modelling the effect of temperature on transmission of dengue. Medical and Veterinary Entomology, 24, 66–73. https://doi.org/10.1016/j.crte.2010.09.006
Barboza, L. A., Chou-Chen, S.-W., Vásquez, P., García, Y. E., Calvo, J. G., Hidalgo, H. G., Sanchez, F., 2023. Assessing dengue fever risk in Costa Rica by using climate variables and machine learning techniques. PLOS Neglected Tropical Diseases, 17(1), e0011047. https://doi.org/10.1371/JOURNAL.PNTD.0011047
Barrera, R., Amador, M., Diaz, A., Smith, J., Munoz-Jordan, J. L., Rosario, Y., 2008. Unusual productivity of Aedes aegypti in septic tanks and its implications for dengue control. Medical and Veterinary Entomology, 22(1), 62–69. https://doi.org/10.1111/J.1365-2915.2008.00720.X
Beserra, E. B., Fernandes, C. R. M., Sousa, J. T., de Freitas, E. M., Santos, K. D., 2010. Efeito da qualidade da água no ciclo de vida e na atração para oviposição de Aedes aegypti (L.) (Diptera: Culicidae). Neotropical Entomology, 39(6), 1016–1023. https://doi.org/10.1590/S1519-566X2010000600026
Brasil, (2017). Manual de vigilância sentinela de doenças neuroinvasivas por arbovírus Ministério da Saúde. Disponível: www.saude.gov.br/svs Acesso: 17 jun. 2023.
Brasil, 2019. Guia de Vigilância em Saúde : volume único, 3o ed. Ministério da Saúde. Disponível: http://bvsms.saude.gov.br/bvs/publicacoes/guia_vigilancia_saude_3ed.pdf. Acesso: 17 jun. 2023.
Breiman, L., 1996. Bagging predictors. Machine Learning, 24(2), 123–140. https://doi.org/10.1023/A:1018054314350
Breiman, L.,2001. ST4_Method_Random_Forest. Machine Learning, 45(1), 5–32. https://doi.org/10.1017/CBO9781107415324.004
Calvet, G., Aguiar, R. S., Melo, A. S. O., Sampaio, S. A., de Filippis, I., Fabri, A., Araujo, E. S. M., Sequeira, P. C., Mendonça, M. C. L., Oliveira, L., Tschoeke, D. A., Schrago, C. G., Thompson, F. L., Brasil, P., Santos, F. B., Nogueira, R. M. R., Tanuri, A., Filippis, A. M. B., 2016. Detection and sequencing of Zika virus from amniotic fluid of fetuses with microcephaly in Brazil: a case study. The Lancet. Infectious diseases, 16(6), 653–660. https://doi.org/10.1016/S1473-3099(16)00095-5
Chitolina, R. F., Anjos, F. A., Lima, T. S., Castro, E. A., Costa-Ribeiro, M. C. V., 2016. Raw sewage as breeding site to Aedes (Stegomyia) aegypti (Diptera, culicidae). Acta Tropica, 164, 290–296. https://doi.org/10.1016/J.ACTATROPICA.2016.07.013
Chouin-Carneiro, T., Vega-Rua, A., Vazeille, M., Yebakima, A., Girod, R., Goindin, D., Dupont-Rouzeyrol, M., Lourenço, R. O., Failloux, A. B., 2016. Differential Susceptibilities of Aedes aegypti and Aedes albopictus from the Americas to Zika Virus. PLOS Neglected Tropical Diseases, 10(3), e0004543. https://doi.org/10.1371/JOURNAL.PNTD.0004543
Colón-González, F. J., Peres, C. A., Steiner, C. B., Hunter, P. R., Lake, I. R., 2017. After the epidemic: Zika virus projections for Latin America and the Caribbean. PLoS Neglected Tropical Diseases, 11(11), 1–19. https://doi.org/10.1371/journal.pntd.0006007
Cutler, D. R., Edwards, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., Lawler, J. J., 2007. Random forests for classification in ecology. Ecology, 88(11), 2783–2792. https://doi.org/10.1890/07-0539.1
Silva, C. C., Lima, C. L., Silva, A. C. G., Moreno, G. M. M., Musah, A., Aldosery, A., Dutra, L., Ambrizzi, T., Borges, I. V. G., Tunali, M., Basibuyuk, S., Yenigün, O., Massoni, T. L., Jones, K., Campos, L., Kostkova, P., Silva Filho, A. G., Santos, W. P., 2022. Spatiotemporal forecasting for dengue, chikungunya fever and Zika using machine learning and artificial expert committees based on meta-heuristics. Research on Biomedical Engineering, 38(2), 499–537. https://doi.org/10.1007/S42600-022-00202-6/FIGURES/10
Dada, N., Vannavong, N., Seidu, R., Lenhart, A., Stenström, T. A., Chareonviriyaphap, T., Overgaard, H. J., 2013. Relationship between Aedes aegypti production and occurrence of Escherichia coli in domestic water storage containers in rural and sub-urban villages in Thailand and Laos. Acta Tropica, 126(3), 177–185. https://doi.org/10.1016/J.ACTATROPICA.2013.02.023
Dhaka, A., Singh, P., 2020. Comparative analysis of epidemic alert system using machine learning for dengue and chikungunya. Proceedings of the Confluence 2020 - 10th International Conference on Cloud Computing, Data Science and Engineering, 798–804. https://doi.org/10.1109/CONFLUENCE47617.2020.9058048
Diderichsen, F., Silva Augusto, L. G., 2021. Inequality in Zika virus and congenital Zika syndrome. Zika Virus Biology, Transmission, and Pathways: Volume 1: The Neuroscience of Zika Virus, 43–54. https://doi.org/10.1016/B978-0-12-820268-5.00004-3
Ding, F., Fu, J., Jiang, D., Hao, M., Lin, G., 2018. Mapping the spatial distribution of Aedes aegypti and Aedes albopictus. Acta Tropica, 178, 155–162. https://doi.org/10.1016/J.ACTATROPICA.2017.11.020
Doğan, A., Korkmaz, M., Kirmaci, V., 2023. Estimation of ranque-hilsch vortex tube performance by machine learning techniques. International Journal of Refrigeration. https://doi.org/10.1016/J.IJREFRIG.2023.01.021
Francisco, M. E., Carvajal, T. M., Ryo, M., Nukazawa, K., Amalin, D. M., Watanabe, K., 2021. Dengue disease dynamics are modulated by the combined influences of precipitation and landscape: A machine learning approach. Science of The Total Environment, 792, 148406. https://doi.org/10.1016/J.SCITOTENV.2021.148406
Freitas, P. S. S., Soares, G. B., Mocelin, H. J. S., Lacerda, L. C. X., Prado, T. N., Sales, C. M. M., Perez, F., Bussinger, E. C. A.,Maciel, E. L. N., 2019. Síndrome congênita do vírus Zika: perfil sociodemográfico das mães. Revista Panamericana de Salud Pública, 43, 1. https://doi.org/10.26633/rpsp.2019.24
Gage, K. L., Burkot, T. R., Eisen, R. J., Hayes, E. B., 2008. Climate and Vectorborne Diseases. American Journal of Preventive Medicine, 35(5), 436–450. https://doi.org/10.1016/j.amepre.2008.08.030
Galasso, J., Cao, D. M., Hochberg, R., 2022. A random forest model for forecasting regional COVID-19 cases utilizing reproduction number estimates and demographic data. Chaos, Solitons & Fractals, 156, 111779. https://doi.org/10.1016/J.CHAOS.2021.111779
Garcia, L. P., 2018. Epidemia do vírus Zika e microcefalia no Brasil: emergência, evolução e enfrentamento. Ipea.
Gomes, H., Jesus, A. G., Quaresma, J. A. S., 2023. Identification of risk areas for arboviruses transmitted by Aedes aegypti in northern Brazil: A One Health analysis. One Health, 100499. https://doi.org/10.1016/J.ONEHLT.2023.100499
Grimm, R., Behrens, T., Märker, M., Elsenbeer, H., 2008. Soil organic carbon concentrations and stocks on Barro Colorado Island - Digital soil mapping using Random Forests analysis. Geoderma, 146(1–2), 102–113. https://doi.org/10.1016/j.geoderma.2008.05.008
Grus, J., 2016. Data Science do Zero. Alta Books.
Guo, P., Liu, T., Zhang, Q., Wang, L., Xiao, J., Zhang, Q., Luo, G., Li, Z., He, J., Zhang, Y., Ma, W., 2017. Developing a dengue forecast model using machine learning: A case study in China. PLOS Neglected Tropical Diseases, 11(10), e0005973. https://doi.org/10.1371/JOURNAL.PNTD.0005973
Haggerty, R., Sun, J., Yu, H.,, Li, Y., 2023. Application of machine learning in groundwater quality modeling - A comprehensive review. Water Research, 233, 119745. https://doi.org/10.1016/J.WATRES.2023.119745
Hai, N. A., Khan, A. A., Haq, F., Khan, S., 2021. A study on Adaptation of Aedes Aegypti Mosquito Larvae in Sewage, Boring and Sea Water. Proceedings of 18th International Bhurban Conference on Applied Sciences and Technologies, IBCAST 2021, 481–485. https://doi.org/10.1109/IBCAST51254.2021.9393020
Han, M., Hashemi, S., Joo, S. H., Kim, T., 2016. Novel integrated systems for controlling and prevention of mosquito-borne diseases caused by poor sanitation and improper water management. Journal of Environmental Chemical Engineering, 4(4), 3718–3723. https://doi.org/10.1016/J.JECE.2016.08.013
Hartshorn, S., 2016. Machine Learning With Random Forests And Decision Trees: A Visual Guide For Beginners. 74. https://doi.org/10.1074/jbc.M115.688390
Hastie, T., Tibshirani, R., Friedman, J., 2009. Linear Methods for Classification. https://doi.org/10.1007/b94608_4
Hilgenfeld, R., & Vasudevan, S. G. (2018). Dengue and Zika : Control and Antiviral Treatment Strategies. Springer Nature.
Hoyos, W., Aguilar, J., Toro, M., 2021. Dengue models based on machine learning techniques: A systematic literature review. Artificial Intelligence in Medicine, 119, 102157. https://doi.org/10.1016/J.ARTMED.2021.102157
Huang, Y. J. S., Higgs, S., Vanlandingham, D. L., 2019. Emergence and re-emergence of mosquito-borne arboviruses. Current Opinion in Virology, 34, 104–109. https://doi.org/10.1016/J.COVIRO.2019.01.001
Ismail, S., Fildes, R., Ahmad, R., Wan Mohamad Ali, W. N., Omar, T., 2022. The practicality of Malaysia dengue outbreak forecasting model as an early warning system. Infectious Disease Modelling, 7(3), 510–525. https://doi.org/10.1016/J.IDM.2022.07.008
Izbicki, R., Santos, T. M., 2020. Aprendizado de máquina : uma abordagem estatística (1o ed).
Jiang, D., Hao, M., Ding, F., Fu, J., Li, M., 2018. Mapping the transmission risk of Zika virus using machine learning models. Acta Tropica, 185, 391–399. https://doi.org/10.1016/j.actatropica.2018.06.021
Joshi, A., Miller, C., 2021. Review of machine learning techniques for mosquito control in urban environments. Ecological Informatics, 61, 101241. https://doi.org/10.1016/J.ECOINF.2021.101241
Kubat, M., 2017. An Introduction to Machine Learning. In An Introduction to Machine Learning. https://doi.org/10.1007/978-3-319-63913-0
Laboissiere, L. A., Fernandes, R. A. S., Lage, G. G., 2015. Maximum and minimum stock price forecasting of Brazilian power distribution companies based on artificial neural networks. Applied Soft Computing, 35, 66–74. https://doi.org/10.1016/J.ASOC.2015.06.005
Larrandaburu, M., Sales, F., Vianna, L., Anjos, A. S., Nacul, L., Vieira, M. T. S., Schuler-Faccini, L., 2017. Zika virus infection and congenital anomalies in the Americas: opportunities for regional action. Rev Panam Salud Publica, 41, 1–8. https://doi.org/10.26633/RPSP.2017.174
Liaw, A., Wiener, M., 2002. Classification and Regression by randomForest. R News, 2(3), 18–22.
Lima, L. R., Soares, L. O. L., Filho, P. S. da P. S., 2022. Arboviroses. SCISAUDE.
Lima, T. P. F., Sena, G. R., Neves, C. S., Vidal, S. A., Lima, J. T. O., Mello, M. J. G., Silva, F. A. O. L. da F., 2021. Previsão de óbito e importância de características clínicas em idosos com COVID-19 utilizando o Algoritmo Random Forest. Revista Brasileira de Saúde Materno Infantil, 21(suppl 2), 445–451. https://doi.org/10.1590/1806-9304202100S200007
Lowy, I., 2019. Zika no Brasil: história recente de uma epidemia. Editora Fiocruz.
MacKay, A. J., Amador, M., Diaz, A., Smith, J., Barrera, R., 2009. Dynamics of Aedes aegypti and Culex quinquefasciatus in Septic Tanks. Journal of the American Mosquito Control Association, 25(4), 409–416. https://doi.org/10.2987/09-5888.1
Meshram, V., Patil, K., Meshram, V., Hanchate, D., Ramkteke, S. D., 2021. Machine learning in agriculture domain: A state-of-art survey. Artificial Intelligence in the Life Sciences, 1, 100010. https://doi.org/10.1016/J.AILSCI.2021.100010
Morgan, J., Strode, C., Salcedo-Sora, J. E., 2021. Climatic and socio-economic factors supporting the co-circulation of dengue, Zika and chikungunya in three different ecosystems in Colombia. PLoS Neglected Tropical Diseases, 15(3). https://doi.org/10.1371/JOURNAL.PNTD.0009259
Murphy, K. P., 2012. Machine Learning: A Probabilistic Perspective. The MIT Press.
Neto, S. R. D. S., Oliveira, T. T., Teixeira, I. V., Oliveira, S. B. A., Sampaio, V. S., Lynn, T., Endo, P. T., 2022. Machine learning and deep learning techniques to support clinical diagnosis of arboviral diseases: A systematic review. PLOS Neglected Tropical Diseases, 16(1), e0010061. https://doi.org/10.1371/JOURNAL.PNTD.0010061
Ngai, E. W. T., Wu, Y., 2022. Machine learning in marketing: A literature review, conceptual framework, and research agenda. Journal of Business Research, 145, 35–48. https://doi.org/10.1016/J.JBUSRES.2022.02.049
Okafor, C. E., Iweriolor, S., Ani, O. I., Ahmad, S., Mehfuz, S., Ekwueme, G. O., Chukwumuanya, O. E., Abonyi, S. E., Ekengwu, I. E., Chikelu, O. P., 2023. Advances in machine learning-aided design of reinforced polymer composite and hybrid material systems. Hybrid Advances, 2, 100026. https://doi.org/10.1016/J.HYBADV.2023.100026
Oliveira, A. S. M., Malinger, G., Ximenes, R., Szejnfeld, P. O., Alves, S. S., Bispo, A. M. P., 2016. Zika virus intrauterine infection causes fetal brain abnormality and microcephaly: tip of the iceberg? Ultrasound in Obstetrics & Gynecology, 47(1), 6–7. https://doi.org/10.1002/UOG.15831
OMS, O. M. da S., 2011. Comprehensive Guidelines for Prevention and Control of Dengue and Dengue Haemorrhagic Fever (Edição revisada). WHO Regional Office for South-East Asia.
Ong, J., Liu, X., Rajarethinam, J., Kok, S. Y., Liang, S., Tang, C. S., Cook, A. R., Ng, L. C., Yap, G., 2018. Mapping dengue risk in Singapore using Random Forest. PLOS Neglected Tropical Diseases, 12(6), e0006587. https://doi.org/10.1371/JOURNAL.PNTD.0006587
Perrotta, D., Frias-Martinez, E., Piontti, A. P. Y., Zhang, Q., Luengo-Oroz, M., Paolotti, D., Tizzoni, M., Vespignani, A., 2022. Comparing sources of mobility for modelling the epidemic spread of Zika virus in Colombia. PLOS Neglected Tropical Diseases, 16(7), e0010565. https://doi.org/10.1371/JOURNAL.PNTD.0010565
Queiroz, E. R. S., Medronho, A. M. (2021). Spatial analysis of the incidence of Dengue, Zika and Chikungunya and socioeconomic determinants in the city of Rio de Janeiro, Brazil. Epidemiology & Infection, 149, e188. https://doi.org/10.1017/S0950268821001801
Rahman, M. S., Pientong, C., Zafar, S., Ekalaksananan, T., Paul, R. E., Haque, U., Rocklöv, J., Overgaard, H. J., 2021. Mapping the spatial distribution of the dengue vector Aedes aegypti and predicting its abundance in northeastern Thailand using machine-learning approach. One Health, 13, 100358. https://doi.org/10.1016/J.ONEHLT.2021.100358
Rocha, F. P., Giesbrecht, M., 2022. Machine learning algorithms for dengue risk assessment: a case study for São Luís do Maranhão. Computational and Applied Mathematics, 41(8), 1–27. https://doi.org/10.1007/S40314-022-02101-Z/FIGURES/4
Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J. P., 2012. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67(1), 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
Ryan, S. J., Carlson, C. J., Mordecai, E. A., Johnson, L. R., 2019. Global expansion and redistribution of Aedes-borne virus transmission risk with climate change. PLoS Neglected Tropical Diseases, 13(3), 1–20. https://doi.org/10.1371/journal.pntd.0007213
Sadeghieh, T., Sargeant, J. M., Greer, A. L., Berke, O., Dueymes, G., Gachon, P., Ogden, N. H., Ng, V., 2021. Zika virus outbreak in Brazil under current and future climate. Epidemics, 37, 100491. https://doi.org/10.1016/J.EPIDEM.2021.100491
Shawe-Taylor, J.,Cristianini, N., 2004. Kernel Methods for Pattern Analysis. In Journal of the American Statistical Association (Número 476). Cambridge University Press.
Silva, C. C., Lima, C. L., Silva, A. C. G., Moreno, G. M. M., Musah, A., Aldosery, A., Dutra, L., Ambrizzi, T., Borges, I. V. G., Tunali, M., Basibuyuk, S., Yenigün, O., Jones, K., Campos, L., Massoni, T. L., Filho, A. G. da S., Kostkova, P., Santos, W. P., 2021. Forecasting Dengue, Chikungunya and Zika cases in Recife, Brazil: a spatio-temporal approach based on climate conditions, health notifications and machine learning. Research, Society and Development, 10(12), e452101220804–e452101220804. https://doi.org/10.33448/RSD-V10I12.20804
Silva, J. C. B., Machado, C. J. S., 2018. Associations between dengue and socio-environmental variables in capitals of the brazilian northeast by cluster analysis. Ambiente & Sociedade, 21, 1332. https://doi.org/10.1590/1809-4422ASOC0133R2VU18L4TD
Silva, L. A., Peres, S. M., Boscarioli, C., 2021. Introdução à Mineração de Dados - Com Aplicações em R (1o ed). LTC.
Silva, L. J., Angerami, R. N., 2008. Arboviroses no Brasil contemporâneo. Fiocruz. https://doi.org/10.7476/9788575413814.0005
Soares, S. R. A., Bernardes, R. S., Netto, O. de M. C., 2002. Relações entre saneamento, saúde pública e meio ambiente: elementos para formulação de um modelo de planejamento em saneamento. Cadernos de Saúde Pública, 18(6), 1713–1724. https://doi.org/10.1590/S0102-311X2002000600026
Tjaden, N. B., Caminade, C., Beierkuhnlein, C., Thomas, S. M., 2018. Mosquito-Borne Diseases: Advances in Modelling Climate-Change Impacts. Trends in Parasitology, 34(3), 227–245. https://doi.org/10.1016/j.pt.2017.11.006
Xavier, L. L., Honório, N. A., Pessanha, J. F. M., Peiter, P. C., 2021. Analysis of climate factors and dengue incidence in the metropolitan region of Rio de Janeiro, Brazil. PLOS ONE, 16(5), e0251403. https://doi.org/10.1371/JOURNAL.PONE.0251403
Ximenes, R. A. A., Barros, M.., D., Brickley, E. B., Barreto, T. V. A., Montarroyos, U. R., Abtibol-Bernardino, M. R., Mussi-Pinhata, M. M., Duarte, G., Coutinho, C. M., Biason, S. F. M. N., Alecrim, M. G. C., Albuquerque, L. F. A. P., Lopes, M. E. M., Zin, A., Pereira Júnior, J. P., Nielsen-Saines, K., Turchi Martelli, C. M., Rodrigues, L. C., Vieira, W. S., … Oliveira, M. B. G., 2023. Risk of adverse outcomes in offspring with RT-PCR confirmed prenatal Zika virus exposure: an individual participant data meta-analysis of 13 cohorts in the Zika Brazilian Cohorts Consortium. The Lancet Regional Health - Americas, 17, 100395. https://doi.org/10.1016/J.LANA.2022.100395
Xu, Y., Zhou, J., Liu, T., Liu, P., Wu, Y., Lai, Z., Gu, J., Chen, X., 2022. Assessing the risk of spread of Zika virus under current and future climate scenarios. Biosafety and Health, 4(3), 193–204. https://doi.org/10.1016/J.BSHEAL.2022.03.012
Yavari Nejad, F., Varathan, K. D., 2021. Identification of significant climatic risk factors and machine learning models in dengue outbreak prediction. BMC Medical Informatics and Decision Making, 21(1), 1–12. https://doi.org/10.1186/S12911-021-01493-Y/TABLES/6
Zhao, N., Charland, K., Carabali, M., Nsoesie, E. O., Maheu-Giroux, M., Rees, E., Yuan, M., Balaguera, C. G., Ramirez, G. J., Zinszer, K., 2020. Machine learning and dengue forecasting: Comparing random forests and artificial neural networks for predicting dengue burden at national and sub-national scales in Colombia. PLOS Neglected Tropical Diseases, 14(9), e0008056. https://doi.org/10.1371/JOURNAL.PNTD.0008056
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Tayane Cristiele Rodrigues Mesquita, André Pereira Rosa, Alisson Carraro Borges
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
