Estão previstas para as próximas décadas, por conta das mudanças climáticas e a desertificação, reduções significativas na produção de alimentos em diversas regiões do mundo. O grupo que irã sofrer maiores impactos prevê-se que serão as populações mais pobres, especialmente aquelas que moram em comunidades estabelecidas em pequenas parcelas de terra e são dependentes das condições climáticas. Este artigo mostra como o fator fundiário, a estiagem, a renda e o incremento da populacional indígena, colocam os povos indígenas Tuxá e Pankararu numa situação de vulnerabilidade. Mostra-se que o aumento da população indígena e os eventos extremos provocados pelas mudanças climáticas podem comprometer o futuro do cultivo das principais culturas agrícolas desses povos, entre estes do feijão, arroz, mandioca e o milho, diminuindo a possibilidade de garantir sua alimentação, união e reprodução social. A população indígena do Brasil vem mostrando um interessante aumento, no entanto paralelamente a este fato, as áreas de plantio vêm se reduzindo, o que obriga aos tomadores de decisões diminuir as problemáticas fundiárias e facilitar os processos de delimitação e reconhecimento de terras.

Este artigo descreve a aplicação de aprendizado de máquina supervisionado e não supervisionado em grandes volumes de dados abertos governamentais do INEP, por meio dos algoritmos K-Nearest Neighbors, Logistic Regression, Decision Tree, Random Forest e K-means. A metodologia fundamenta-se nos processos CRISP-DM e KDD, sendo necessária a utilização da plataforma em nuvem DataBricks, além das tecnologias de clusters Hadoop e Apache Spark. Tais tecnologias proporcionaram alto poder de processamento para execução dos experimentos, o que viabilizou a avaliação de desempenho dos modelos e a descoberta de conhecimento da educação básica brasileira.