Mapeamentos Nacionais e Globais da Cobertura e Uso da Terra no Geoparque Mundial da UNESCO Caminhos dos Cânions do Sul: Conceitos, Metodologias e Tendências
DOI:
https://doi.org/10.26848/rbgf.v19.02.p831-852Palavras-chave:
Cobertura e Uso da Terra, Meio Ambiente, GeoparqueResumo
O mapeamento da cobertura e uso da terra delineia diferentes tipologias e arranjos da atividade humana e do meio ambiente. A forma de mapeamento da cobertura e uso da terra está em constante mudança, partindo dos levantamentos a campo e fotointerpretação de imagens à classificação de imagens de satélite por algoritmos. Esse trabalho pretende analisar diferentes mapeamentos, em particular os de abrangência nacional ou global. Objetiva-se, através da exploração dos conceitos relacionados à cobertura e uso da terra e da seleção e análise de mapeamentos, entender as semelhanças e diferenças entre os métodos utilizados. A metodologia constituiu-se de pesquisa bibliográfica e da espacialização de mapeamentos na área do Geoparque Mundial da UNESCO Caminhos dos Cânions do Sul. Os mapeamentos analisados foram o Mapeamento da Vegetação do Brasil, O Monitoramento da Cobertura e Uso da Terra, o MapBiomas, o mapeamento ESA-CCI e o mapeamento ESRI. Os resultados mostraram os conceitos relacionados à cobertura e uso da terra, bem como a tendência do mapeamento de grandes áreas por classificação de imagens de satélite por algoritmos em detrimento da fotointerpretação e do levantamento a campo. Os resultados evidenciaram as diferenças entre os sistemas de classificação e as metologias dos mapeamentos. Entretanto, foi possível verificar semelhança na distribuição e proporção das classes. Por fim, em virtude da menor exigência de recursos e do contínuo avanço tecnológico, notou-se que os mapeamentos recentes amparam-se em novos algoritmos, em novas formas de acesso às imagens e novos meios de processamento de dados.
Downloads
Referências
Abdi, A. M. (2020). Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GIScience & Remote Sensing, 57(1), 1–20. https://doi.org/10.1080/15481603.2019.165044
Ahlqvist, O. (2016). Semantic Issues in Land-Cover Analysis Representation, Analysis, and Visualization. Em C. P. Giri (Org.), Remote Sensing of Land Use and Land Cover: Principles and Applications. CRC Press. https://doi.org/10.1201/b11964
Arpitha, M., Ahmed, S. A., & Harishnaika, N. (2023). Land use and land cover classification using machine learning algorithms in google earth engine. Earth Science Informatics, 16(4), 3057–3073. Scopus. https://doi.org/10.1007/s12145-023-01073-w
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. Scopus. https://doi.org/10.1023/A:1010933404324
Brown, C. F., Brumby, S. P., Guzder-Williams, B., Birch, T., Hyde, S. B., Mazzariello, J., Czerwinski, W., Pasquarella, V. J., Haertel, R., Ilyushchenko, S., Schwehr, K., Weisse, M., Stolle, F., Hanson, C., Guinan, O., Moore, R., & Tait, A. M. (2022). Dynamic World, Near real-time global 10 m land use land cover mapping. Nature, 9(1), 251. https://doi.org/10.1038/s41597-022-01307-4
Burrell, A. L., Evans, J. P., & De Kauwe, M. G. (2020). Anthropogenic climate change has driven over 5 million km2 of drylands towards desertification. Nature Communications, 11(1). Scopus. https://doi.org/10.1038/s41467-020-17710-7
Camara, G., Simoes, R., Souza, F., Menino, F., Pelletier, C., Andrade, P. R., Ferreira, K., & Queiroz, G. (2025). sits: Satellite Image Time Series Analysis on Earth Observation Data Cubes. National Institute for Space Research (INPE). https://e-sensing.github.io/sitsbook/machine-learning-for-data-cubes.html
Capoane, V., & Fushimi, M. (2023). Alterações antropogeomorfológicas na bacia hidrográfica Córrego Lajeado, Campo Grande—MS. GEOUSP, 27, e. https://doi.org/10.11606/issn.2179-0892.geousp.2023.196393
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. 13-17-August-2016, 785–794. Scopus. https://doi.org/10.1145/2939672.2939785
Congalton, R. G., & Green, K. (2019). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Third Edition (3o ed.). CRC Press. https://doi.org/10.1201/9780429052729
Dabiri, Z., & Blaschke, T. (2019). Scale matters: A survey of the concepts of scale used in spatial disciplines. European Journal of Remote Sensing, 52(1), 419–435. Scopus. https://doi.org/10.1080/22797254.2019.1626291
Di Gregorio, A. (2016). Land Cover Classification System—Classification. https://openknowledge.fao.org/server/api/core/bitstreams/bb3fe826-5869-49c1-9b3f-87a160de8403/content
Diuk-Wasser, M. A., Vanacker, M. C., & Fernandez, M. P. (2021). Impact of Land Use Changes and Habitat Fragmentation on the Eco-epidemiology of Tick-Borne Diseases. Journal of Medical Entomology, 58(4), 1546–1564. Scopus. https://doi.org/10.1093/jme/tjaa209
Duro, D. C., Franklin, S. E., & Dubé, M. G. (2012). A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery. Remote Sensing of Environment, 118, 259–272. https://doi.org/10.1016/j.rse.2011.11.020
ESA. Agência Espacial Européia, (2017). Land Cover CCI: PRODUCT USER GUIDE. https://maps.elie.ucl.ac.be/CCI/viewer/download/ESACCI-LC-Ph2-PUGv2_2.0.pdf
Fan, X., Chen, L., Xu, X., Yan, C., Fan, J., & Li, X. (2023). Land Cover Classification of Remote Sensing Images Based on Hierarchical Convolutional Recurrent Neural Network. Forests, 14(9), Artigo 9. https://doi.org/10.3390/f14091881
FAO. Organização das Nações Unidas para a Agricultura e Alimentação, (2016). Map Accuracy Assessment and Area Estimation: A practical Guide. Roma.
FAO. Organização das Nações Unidas para Alimento e Agricultura, (2024). SDG 15.4.2 Computation Tools Documentation. Roma. https://mgci-docs.readthedocs.io/en/latest/
García-Álvarez, D., Olmedo, M. T. C., & Paegelow, M. (2019). Sensitivity of a common Land Use Cover Change (LUCC) model to the Minimum Mapping Unit (MMU) and Minimum Mapping Width (MMW) of input maps. Computers, Environment and Urban Systems, 78. Scopus. https://doi.org/10.1016/j.compenvurbsys.2019.101389
Georganos, S., Grippa, T., Vanhuysse, S., Lennert, M., Shimoni, M., & Wolff, E. (2018). Very High Resolution Object-Based Land Use-Land Cover Urban Classification Using Extreme Gradient Boosting. IEEE Geoscience and Remote Sensing Letters, 15(4), 607–611. Scopus. https://doi.org/10.1109/LGRS.2018.2803259
Giri, C. P. (2016). Brief Overview of Remote Sensing of Land Cover. Em C. P. Giri (Org.), Remote Sensing of Land Use and Land Cover: Principles and Applications. CRC Press. https://doi.org/10.1201/b11964
Giuliani, G. (2024). Time-first approach for land cover mapping using big Earth observation data time-series in a data cube – a case study from the Lake Geneva region (Switzerland). Big Earth Data, 8(3), 435–466. https://doi.org/10.1080/20964471.2024.2323241
Glimskär, A., & Skånes, H. (2018). Land Type Categories as a Complement to Land Use and Land Cover Attributes in Landscape Mapping and Monitoring. Em O. Ahlqvist, D. Varanka, S. Fritz, & K. Janowicz (Org.), Land Use and Land Cover Semantics: Principles, Best Practices, and Prospects. CRC Press. https://doi.org/10.1201/9781351228596
Gribb, W. J., & Czerniak, R. J. (2018). Land Use/Land Cover Classification Systems and Their Relationship to Land Planning. Em O. Ahlqvist, D. Varanka, S. Fritz, & K. Janowicz (Org.), Land Use and Land Cover Semantics: Principles, Best Practices, and Prospects. CRC Press. https://doi.org/10.1201/978135122859
Guo, M., Li, J., Sheng, C., Xu, J., & Wu, L. (2017). A review of wetland remote sensing. Sensors (Switzerland), 17(4). Scopus. https://doi.org/10.3390/s17040777
Harper, K., Lamarche, C., Hartley, A., Peylin, P., Ottle, C., Bastrikov, V., San Martin, R., Bohnenstengel, S., Kirches, G., Boettcher, M., Shevchuk, R., Brockmann, C., & Defourny, P. (2023). A 29-year time series of annual 300 m resolution plant-functional-type maps for climate models. Earth System Science Data, 15, 1465–1499. https://doi.org/10.5194/essd-15-1465-2023
Herold, M., Woodcock, C. E., Gregorio, A. di, Mayaux, P., Belward, A. S., Latham, J., & Schmullius, C. C. (2006). A joint initiative for harmonization and validation of land cover datasets. IEEE Transactions on Geoscience and Remote Sensing, 44(7), 1719–1727. https://doi.org/10.1109/TGRS.2006.871219
IBGE. Instituto Brasileiro de Geografia e Estatística, (1992). Manual técnico da vegetação brasileira (1o ed.). Rio de Janeiro. https://biblioteca.ibge.gov.br/pt/biblioteca-catalogo?view=detalhes&id=223267
IBGE. Instituto Brasileiro de Geografia e Estatística, (2012). Manual técnico da vegetação brasileira (2o ed.). Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=263011
IBGE. Instituto Brasileiro de Geografia e Estatística, (2013). Manual técnico de uso da terra (3a̲ edição).Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=281615
IBGE. Instituto Brasileiro de Geografia e Estatística, (2017). MONITORAMENTO DA COBERTURA E USO DA TERRA DO BRASIL 2000 – 2010 – 2012 – 2014: EM GRADE TERRITORIAL ESTATÍSTICA. Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101469
IBGE. Instituto Brasileiro de Geografia e Estatística,(2018a). Desbravar, conhecer, mapear: Memórias do Projeto Radam/RadamBrasil. Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101614
IBGE. Instituto Brasileiro de Geografia e Estatística, (2018b). MAPEAMENTO DE USO E COBERTURA DA TERRA UTILIZANDO OS DADOS NUMERICOS DO CENSO AGROPECUARIO 2006. Rio de Janeiro
IBGE. Instituto Brasileiro de Geografia e Estatística, (2019). Macrocaracterização dos Recursos Naturais do Brasil: Províncias estruturais, compartimentos de relevo, tipos de solos e regiões fitoecológicas. Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101648
IBGE. Instituto Brasileiro de Geografia e Estatística, (2020). Contas de ecossistemas: O uso da terra nos biomas brasileiros: 2000- 2018. Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101754
IBGE. Instituto Brasileiro de Geografia e Estatística,(2022a). Contas econômicas ambientais da terra: Contabilidade Física, Brasil, 2000/2020. Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101965
IBGE. Instituto Brasileiro de Geografia e Estatística,(2022b). Monitoramento da Cobertura e Uso da Terra do Brasil: 2018/2020. Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101966
IBGE. Instituto Brasileiro de Geografia e Estatística, (2023). Banco de Dados e Informações Ambientais (BDiA): Mapeamento de Recursos Naturais (MRN) Escala 1:250 000. Rio de Janeiro. https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2102042
Impact Observatory. (2022). Methodology & Accuracy Summary. https://www.impactobservatory.com/static/c033eb846160f6a0a35c63a64ef45e52/lulc-methodology-accuracy.pdf
Jansen, L. J. M. (2018). Parameterized Approaches to the Categorization of Land Use and Land Cover. Em O. Ahlqvist, D. Varanka, S. Fritz, & K. Janowicz (Org.), Land Use and Land Cover Semantics: Principles, Best Practices, and Prospects. CRC Press. https://doi.org/10.1201/9781351228596
Karra, K., Kontgis, C., Statman-Weil, Z., Mazzariello, J. C., Mathis, M., & Brumby, S. P. (2021). Global land use / land cover with Sentinel 2 and deep learning. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 4704–4707. https://doi.org/10.1109/IGARSS47720.2021.9553499
Liu, L., Zhang, X., Gao, Y., Chen, X., Shuai, X., & Mi, J. (2021). Finer-Resolution Mapping of Global Land Cover: Recent Developments, Consistency Analysis, and Prospects. Journal of Remote Sensing (United States), 2021. Scopus. https://doi.org/10.34133/2021/528969
Loveland, T. R. (2016). History of LandCover Mapping. Em C. P. Giri (Org.), Remote Sensing of Land Use and Land Cover: Principles and Applications. CRC Press. https://doi.org/10.1201/b11964
Lv, W., & Wang, X. (2020). Overview of Hyperspectral Image Classification. Journal of Sensors, 2020. Scopus. https://doi.org/10.1155/2020/4817234
MapBiomas Project. (2024). Collection 9 of the Annual Land Cover and Land Use Maps of Brazil (1985-2023) [Conjunto de dados]. MapBiomas Data. https://doi.org/10.58053/MAPBIOMAS/XXUKA
Mapbiomas Project. (2024). MapBiomas General “Handbook”: Algorithm Theoretical Basis Document (ATBD): Collection 9. https://brasil.mapbiomas.org/wp-content/uploads/sites/4/2024/08/ATBD-Collection-9-v2.docx.pdf
Mashala, M. J., Dube, T., Mudereri, B. T., Ayisi, K. K., & Ramudzuli, M. R. (2023). A Systematic Review on Advancements in Remote Sensing for Assessing and Monitoring Land Use and Land Cover Changes Impacts on Surface Water Resources in Semi-Arid Tropical Environments. Remote Sensing, 15(16). Scopus. https://doi.org/10.3390/rs15163926
Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784–2817. Scopus. https://doi.org/10.1080/01431161.2018.1433343
Mora, C., Spirandelli, D., Franklin, E. C., Lynham, J., Kantar, M. B., Miles, W., Smith, C. Z., Freel, K., Moy, J., Louis, L. V., Barba, E. W., Bettinger, K., Frazier, A. G., Colburn IX, J. F., Hanasaki, N., Hawkins, E., Hirabayashi, Y., Knorr, W., Little, C. M., … Hunter, C. L. (2018). Broad threat to humanity from cumulative climate hazards intensified by greenhouse gas emissions. Nature Climate Change, 8(12), 1062–1071. Scopus. https://doi.org/10.1038/s41558-018-0315-6
Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247–259. https://doi.org/10.1016/j.isprsjprs.2010.11.001
Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, S., & Weng, Q. (2011). Per-pixel vs. Object-based classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment, 115(5), 1145–1161. Scopus. https://doi.org/10.1016/j.rse.2010.12.017
Nações Unidas. (2016). Sistema de Contas Econômicas Ambientais. Comissão Econômica para a América Latina e o Caribe (CEPAL).
Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E., & Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42–57. Scopus. https://doi.org/10.1016/j.rse.2014.02.015
Ozturk, M. Y., & Colkesen, I. (2024). A novel hybrid methodology integrating pixel- and object-based techniques for mapping land use and land cover from high-resolution satellite data. International Journal of Remote Sensing, 45(16), 5640–5678. https://doi.org/10.1080/01431161.2024.2379515
Pelletier, C., Webb, G. I., & Petitjean, F. (2019). Temporal Convolutional Neural Network for the Classification of Satellite Image Time Series. Remote Sensing, 11(5), Artigo 5. https://doi.org/10.3390/rs11050523
Phiri, D., & Morgenroth, J. (2017). Developments in Landsat land cover classification methods: A review. Remote Sensing, 9(9). Scopus. https://doi.org/10.3390/rs9090967
Prăvălie, R., Patriche, C., Borrelli, P., Panagos, P., Roșca, B., Dumitraşcu, M., Nita, I.-A., Săvulescu, I., Birsan, M.-V., & Bandoc, G. (2021). Arable lands under the pressure of multiple land degradation processes. A global perspective. Environmental Research, 194. Scopus. https://doi.org/10.1016/j.envres.2020.110697
Rahman, M., Ningsheng, C., Mahmud, G. I., Islam, M. M., Pourghasemi, H. R., Ahmad, H., Habumugisha, J. M., Washakh, R. M. A., Alam, M., Liu, E., Han, Z., Ni, H., Shufeng, T., & Dewan, A. (2021). Flooding and its relationship with land cover change, population growth, and road density. Geoscience Frontiers, 12(6). Scopus. https://doi.org/10.1016/j.gsf.2021.101224
Rong, C., & Fu, W. (2023). A Comprehensive Review of Land Use and Land Cover Change Based on Knowledge Graph and Bibliometric Analyses. Land, 12(8), 1573. https://doi.org/10.3390/land12081573
Salah, M. (2017). A survey of modern classification techniques in remote sensing for improved image classification. 11(1).
Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308–6325. Scopus. https://doi.org/10.1109/JSTARS.2020.3026724
Simões, R., Camara, G., Queiroz, G., Souza, F., Andrade, P., Santos, L., Carvalho, A., & Ferreira, K. (2021). Satellite Image Time Series Analysis for Big Earth Observation Data. Remote Sensing, 13(13), 2428. https://doi.org/10.3390/rs13132428
Sims, N. C., Newnham, G. J., England, J. R., Cox, S. J. D., Roxburgh, S. H., Viscarra Rossel, R. A., Fritz, S., & Wheeler, I. (2021). Good practice guidance. SDG indicator 15.3.1, Proportion of land that Is degraded over total land area. Version 2.0. (2.0). UNCCD. https://www.unccd.int/resources/manuals-and-guides/good-practice-guidance-sdg-indicator-1531-proportion-land-degraded
Song, X.-P. (2023). The future of global land change monitoring. International Journal of Digital Earth, 16(1), 2279–2300. Scopus. https://doi.org/10.1080/17538947.2023.2224586
Souza, C. M., Z. Shimbo, J., Rosa, M. R., Parente, L. L., A. Alencar, A., Rudorff, B. F. T., Hasenack, H., Matsumoto, M., G. Ferreira, L., Souza-Filho, P. W. M., de Oliveira, S. W., Rocha, W. F., Fonseca, A. V., Marques, C. B., Diniz, C. G., Costa, D., Monteiro, D., Rosa, E. R., Vélez-Martin, E., … Azevedo, T. (2020). Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine. Remote Sensing, 12(17), Artigo 17. https://doi.org/10.3390/rs12172735
Sun, X., Wang, M., Wang, J., Li, G., & Hou, X. (2025). Deep learning classification of winter wheat from Sentinel optical-radar image time series in smallholder farming areas. Advances in Space Research, 75(3), 2683–2695. Scopus. https://doi.org/10.1016/j.asr.2024.11.038
UNESCO. Organização das Nações Unidas para Educação, Ciência e Cultura, (2015). STATUTES OF THE INTERNATIONAL GEOSCIENCE AND GEOPARKS PROGRAMME. Paris. https://unesdoc.unesco.org/ark:/48223/pf0000260675?posInSet=3&queryId=18a01105-ae82-4fb2-9824-08747d2c9257
Vali, A., Comai, S., & Matteucci, M. (2020). Deep learning for land use and land cover classification based on hyperspectral and multispectral earth observation data: A review. Remote Sensing, 12(15). Scopus. https://doi.org/10.3390/RS12152495
Van Thinh, T., Duong, P. C., Nasahara, K. N., & Tadono, T. (2019). How does land use/land cover map’s accuracy depend on number of classification classes? Scientific Online Letters on the Atmosphere, 15, 28–31. Scopus. https://doi.org/10.2151/SOLA.2019-006
Veiga, A. J. P., Matta, J. M. B. da, Veiga, D. A. M., & Bomfim, C. S. S. (2020). Análise do uso e cobertura da terra em Itapetinga no estado da Bahia, Brasil, com uso de Sensoriamento Remoto e SIG / Analysis of the use and land cover in Itapetinga in the state of Bahia, Brazil, using Remote Sensing and GIS. Brazilian Journal of Development, 6(9), 73928–73947. https://doi.org/10.34117/bjdv6n9-741
Verdum, R. (2016). As Múltiplas Abordagens para o Estudo da Paisagem The Multiples Approaches For The Landscape Study. Espaço Aberto, 6, 131–150.
Wang, Y., Sun, Y., Cao, X., Wang, Y., Zhang, W., & Cheng, X. (2023). A review of regional and Global scale Land Use/Land Cover (LULC) mapping products generated from satellite remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 206, 311–334. https://doi.org/10.1016/j.isprsjprs.2023.11.014
Wu, L., Sun, C., & Fan, F. (2021). Estimating the characteristic spatiotemporal variation in habitat quality using the invest model—A case study from guangdong–hong kong–macao greater bay area. Remote Sensing, 13(5), 1–24. Scopus. https://doi.org/10.3390/rs13051008
Xie, G., Bai, X., Peng, Y., Li, Y., Zhang, C., Liu, Y., Liang, J., Fang, L., Chen, J., Men, J., Wang, X., Wang, G., Wang, Q., & Ren, S. (2024). Aquaculture Ponds Identification Based on Multi-Feature Combination Strategy and Machine Learning from Landsat-5/8 in a Typical Inland Lake of China. Remote Sensing, 16(12). Scopus. https://doi.org/10.3390/rs16122168
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 1969 Fábio Corrêa Didoné, Jairo Valdati, Sidney Geraldo Silveira Velloso
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.
