Este trabalho teve como objetivo sugerir diretrizes para melhor mapear usos da terra usando o complemento Semi-automatic Classification Plugin (SCP) para QGIS, destacando-se quais os melhores conjuntos de dados, classificadores e estratégias amostrais para treinamento. Foram combinados quatro conjuntos de dados derivados de imagem Sentinel 2A, três classificadores disponíveis no SCP, e duas estratégias amostrais: amostras de treinamento (ROI’s) separadas ou dissolvidas em uma única amostra, obtendo-se 24 tratamentos. Os tratamentos foram avaliados quanto à acurácia (coeficiente Kappa), qualidade visual do mapa final e tempo de processamento. Os resultados mostraram que: (1) o SCP é adequado para mapear usos da terra; (2) quanto maior o conjunto de dados, melhor o desempenho do classificador; e (3) a utilização de ROI’s dissolvidas sempre diminui o tempo de processamento, mas apresenta efeito ambíguo sobre os diferentes classificadores. Para melhores resultados, recomenda-se a aplicação do classificador Maximum Likelihood sobre o maior conjunto de dados disponível, utilizando-se amostras de treinamento coletadas contemplando todas as variações intraclasse, e posteriormente dissolvidas em uma única ROI.Palavras-chave: sensoriamento remoto, amostras de treinamento, QGIS, Sentinel 2A,MAPPING LAND USES/COVERS WITH SEMI-AUTOMATIC CLASSIFICATION PLUGIN: WHICH DATA SET, CLASSIFIER AND SAMPLING DESIGN? ABSTRACT: This paper aimed to suggest guidelines to better map land uses using the Semi-automatic Classification Plugin (SCP) for QGIS, highlighting which the best data sets, classifiers and training sampling designs. Four data sets from a Sentinel 2A image were combined with three classifiers available in the SCP, and two sampling designs: separate or dissolved training samples (ROI's) in a single sample, obtaining 24 treatments. The treatments were evaluated regarding the accuracy (Kappa coefficient), visual quality of the final map and processing time. The results suggest that: (1) the SCP is suitable to map land uses; (2) the larger the data set, the better the classifier performance; and (3) the use of dissolved ROI always decreases processing time, but has an ambiguous effect on the different classifiers. In order to get better results, we recommend to apply the Maximum Likelihood classifier on the largest data set available, using training samples that cover all possible intraclass variations, subsequently dissolved in a single ROI.Keywords: remote sensing, training samples, QGIS, Sentinel 2A.