2.1 Área de estudo

A área de estudo se encontra nas coordenadas centrais: Latitude: 29° 0’31.54”S; Longitude: 51°49’57.93”O, e possui área total de 88 km², correspondendo a um trecho localizado na BHTA, nordeste do RS, e abrange o Rio Guaporé e o Rio Taquari (Figura 1). A região compreende as cidades de Dois Lajeados, Vespasiano Corrêa, São Valentim do Sul e Cotiporã. A ocorrência de processos geo-hidrológicos extremos distintos na BHTA, como inundações, no Rio Taquari, e os movimentos de massa e enxurradas, no Rio Guaporé (Ferri e Togni, 2012), motivou, o desenvolvimento da pesquisa, como também a definição da área de estudo.

Figura 1 – Localização da área de estudo – Imagem Sentinel 2, composição colorida RGB (4, 3, 2), de 06/05/2024

Fonte: Autores (2025)

Referente a geologia e geomorfologia, o evento de deslizamento concentrou-se predominantemente na Borda Sul da Bacia Intracratônica do Paraná. Esta representa, em seu limite sul, relevo caracterizado por morfologia íngreme (Egas et al., 2025). A área de interesse está situada no Rebordo do Planalto Meridional e é compreendida, quase totalmente, por litologias da Bacia do Paraná (FEPAM, 2001). A Escarpa da Serra Geral, uma feição erosiva de desgaste, compreende esta região que cruza múltiplos vales fluviais. Além disto, esta unidade geomorfológica é altamente suscetível a deslizamentos (IBGE 2006, CPRM, 2010).

Considerou-se a variação dos índices pluviométricos conforme as características geográficas específicas de cada microrregião. Esta variação foi verificada no estado, e conforme a classificação de Köopen, corresponde ao tipo Cfa (subtropical úmido) que se caracteriza por temperaturas médias compreendidas entre -3°C e 18°C para o mês mais frio e superiores a 22°C para o mês mais quente, com PP bem distribuída durante o ano e total anual em torno de 1400 mm (FEPAM, 2001).

2.2 Métodos

Para atingir o objetivo proposto, a pesquisa foi dividida em três etapas: I) Pré-processamento dos dados; II) Processamento dos dados; III) Análises estatísticas dos resultados (Figura 2). A primeira consiste na coleta de amostras e a obtenção dos dados. A segunda etapa corresponde ao processamento dos dados obtidos, com a extração das séries temporais de cada classe e a realização do treinamento dos modelos composto pelas variáveis explicativas eleitas para a classificação em ambiente R (Posit, 2024). Por fim, a terceira etapa compreende a análise visual, a validação dos resultados obtidos a partir da acurácia de cada classificador e análises estatísticas do comportamento da magnitude da média mensal da PP ao longo de cada ano.

Figura 2 – Processo metodológico para a determinação de áreas de DT

Fonte: Autores (2025)

2.2.1 Base e processamento dos dados

Para a classificação supervisionada com uso dos algoritmos RF e TempCNN, necessitou-se coletar e inserir amostras ao algoritmo de classificação. Para isto, utilizou-se imagens Sentinel-2, sensor MSI (Multispectral Imager), composição colorida RGB (B4, B3, B2), para a coleta pré evento (30/08/2023) e pós evento (06/05/2024), com resolução espacial de 10 metros e resolução radiométrica de 12 bits, sem a presença de nuvens.

O processo de coleta das amostras nas imagens foi realizado de forma visual, conforme classes de uso e cobertura da terra definidas para a área de interesse, no QGIS (versão 3.34.5). Foram geradas 420 amostras pós evento, divididas em 5 classes: 74 de água (classe 1); 73 de área construída (classe 2); 124 de deslizamentos (classe 3); 73 de florestas (classe 4) e 76 de agricultura (classe 5). Enquanto que os pontos coletados anteriores ao evento totalizaram 296 amostras, sendo 4 classes: 74 de água (classe 1); 73 de área construída (classe 2); 73 de florestas (classe 3) e 76 de agricultura (classe 4).

No software de código aberto SITS, disponível na plataforma R Studio (versão 4.5.0) gerou-se um cubo de dados irregular da coleção Sentinel-2-L2A, do banco de dados Microsoft’s Planetary Computer (MPC), para o período de 01/12/2023 à 01/12/2024. O cubo de dados possui resolução espacial de 10 metros, onde as bandas utilizadas foram B2 (azul), B3 (verde), B4 (vermelho) e B8 (Near-InfraRed - NIR) para o tile 22JDN. Desta maneira, realizou-se a regularização destes dados mediante a função sits_regularize(), já que os mesmos não são regulares em espaço e tempo, de modo que as bandas podem apresentar resoluções diferentes e as imagens podem não cobrir todo o bloco (tiles) (Simões et al., 2021).

Em seguida criou-se um cubo de dados irregular MDE da coleção TanDEM-X, disponível no banco de dados MPC, com resolução espacial de 30 m (COP-DEM-GLO-30). Realizou-se a reprojeção do cubo para a resolução espacial de 10 m e após extraiu-se a banda “ELEVATION”. O período não foi estipulado, pois os dados de MDE não são temporais, já que eles representam a topografia da superfície terrestre em um determinado espaço no tempo. Por fim, realizou-se a regularização deste cubo por meio da função sits_regularize().

Na intenção de incorporar dados topográficos às imagens de satélite, para a análise e a interpretação destes, mesclou-se o cubo de dados Sentinel-2 com o cubo de dados MDE, com uso da função sits_merge(), com o intuito de organizar os dados, de forma que os dados do MDE obtenham paridade com as outras bandas espectrais. Assim, realizou-se a extração da série temporal de cada amostra com a função sits_get_data() para todo pixel de mesma coordenada de cada imagem com relação à cada variável: R, G, B, NIR e ELEVATION.

Foi executado o treinamento do algoritmo RF com a função sits_train e o pacote sits_rfor() em modo default em que ntree = 100, e mtry foi calculado a partir da raiz quadrada do número de variáveis (Simões et al., 2021), em seguida gerado o mapa classificado e rotulado, com uso das funções sits_classify() e sits_label_classification(), respectivamente.

Para a classificação TempCNN não foi possível a utilização do cubo MDE no processamento, pois o SITS não está configurado para tal, de modo que foi realizada a classificação apenas com o cubo de dados Sentinel-2. Desta forma, realizou-se o ajuste do modelo ao aplicar a função sits_tuning(), a fim de obter os melhores parâmetros do modelo, que foram: número de camadas (64, 64, 64), kernels de convolução (3; 3; 3), taxas de abandono (0,3; 0,3; 0,3), taxa de aprendizado 0,000803 e decaimento de peso 0,0000550. Ademais, foi implementada a função sits_train() para o treinamento do modelo, com uso do pacote sits_tempcnn(), enquanto que para a classificação da imagem e a geração do mapa utilizou-se a função sits_classify() e sits_label_classification(), respectivamente.

O mesmo processo foi executado para a classificação pré evento, em que criou-se um cubo de dados para o período de 06/05/2023 à 20/04/2024, apenas para o modelo RF, visto que apresentou melhor acurácia entre os classificadores quando realizada a classificação pós evento.

2.2.1.1 Dados de precipitação pluviométrica

Com o intuito de representar a variação do acumulado pluviométrico, realizou-se a análise da PP mensal para cada ano (2023 e 2024). No entanto, destaca-se que para determinar a frequência de ocorrência de movimentos de massa é necessário analisar a peculiaridade da região de estudo a fim de definir um limiar pluviométrico (Santos, Fragoso e Souza, 2019), já que a maior influência na ocorrência de deslizamentos está relacionada às altas intensidades pluviométricas (Huang et al., 2021).

Para isso, obteve-se os dados a partir do catálogo Climate Hazards Center InfraRed Precipitation with Station (CHIRPS) disponível em: Earth Engine Data Catalog. Este incorpora imagens de satélite com resolução de 0,05° e dados de estações in situ para criar séries temporais (Funk et al., 2015). Os dados foram processados no GEE ao utilizar a banda “PRECIPITATION” e extraído a média dos valores.

2.2.2 Análise estatística

Com o plugin AcATaMa (Accuracy Assessment of Thematic Maps) no software QGIS 3.34.5, analisou-se a precisão do mapeamento de DT, com uso do método de amostragem aleatória estratificada, a fim de reduzir os erros-padrão das estimativas de precisão específica de cada classe (Olofsson, 2014). Desta maneira, para a classificação do RF foram gerados 445 pontos aleatórios, com erro padrão de 0,02 e precisão do usuário de 0,8. Estes pontos foram classificados em duas classes, sendo elas: Deslizamento e Não Deslizamento, enquanto que para a classificação com TempCNN, foram gerados 357 pontos. Neste sentido, gerou-se a matriz de confusão na qual foram calculadas a acurácia geral, do usuário e a do produtor.

Para a análise da PP foi aplicada a estatística descritiva, com a finalidade de verificar as distribuições e a variabilidade dos dados, a qual engloba os valores da média, mediana, desvio padrão, intervalo (amplitude), máximo, mínimo e soma. Para a verificação da normalidade dos eventos de PP em 2023 e 2024, utilizou-se o teste de Shapiro-Wilk (S-W) com valor p < 0,05 (normal) e o teste não paramétrico de Mann-Whitney para comparar a diferença de médias dos dois grupos independentes sob a condição de não normalidade dos dados.

Para a verificação da tendência do comportamento da precipitação entre os anos de 2023 e 2024 também foi utilizado o coeficiente de determinação (R²) que permite quantificar a direção e a magnitude da variação de uma variável dependente em função do tempo, indicando também o grau de ajuste do modelo, muito utilizado em estudos climáticos e mudanças no uso e cobertura da terra (Kaiser et al., 2022; Mehmood et al. 2024).

3.1. Análise mensal e anual da PP (2023-2024)

A avaliação da PP mensal nos anos 2023 e 2024 evidenciou acumulados em dois períodos distintos (Figura 3). Em 2023, o máximo pluviométrico foi de 435 mm em setembro. Já em 2024, o valor máximo mensal foi de 661 mm em maio, contudo, os maiores acumulados se estenderam de abril a maio, com total de 1048 mm com uma diferença pluviométrica destes dois anos de 420 mm.

Embora 2024 aponte para um comportamento linear decrescente da PP ao longo do período (R² = 0,092), este baixo valor reflete a influência de eventos atípicos, concentrados especialmente em maio, de modo que a concentração em poucos dias é um fator determinante para a saturação do solo, conforme discutido por Tucci (1997) comprovando a concentração de ocorrência de DT neste período em nossa análise. No entanto, em 2023 a regressão linear de ocorrência de PP foi crescente (R² = 0,416), devido, principalmente ao fato de as maiores PP terem ocorrido de setembro a novembro (segundo semestre), apesar das maiores PP nestes meses, o ano de 2023 apresentou valores mais bem distribuídos.

Figura 3 – PP média dos anos de 2023 e 2024 (em mm) e seus respectivos R²

Fonte: Autores (2025)

Assim, o teste de S-W comprovou a anomalia da PP ao longo dos anos analisados com p (normal) de 0,02207 e 0,006108 em 2023 e 2024, respectivamente. Ambos não seguem distribuição normal, embora a dinâmica pluviométrica de cada ano ao longo dos dois períodos seja semelhante e significativa a 0,05 (Mann-Whitney Test = 0,70745), mesmo com a presença de um valor discrepante para o mês de maio de 2024, correspondente ao mês de ocorrência dos deslizamentos de terra em nossa análise (Tabela 1).

De acordo com Notas Técnicas do INMET, os eventos ocorridos em 2023 e 2024, que ocasionaram os extremos pluviométricos, estiveram relacionados a combinação de sistemas meteorológicos, como frentes frias, baixas pressões e ciclones extratropicais, juntamente com os efeitos do El Niño, em 2023 (INMET, 2023; INMET, 2024), que associados as condições de solo, ocupação e relevo do trecho da bacia hidrográfica analisada foram responsáveis pelos deslizamentos ocorridos.

Tabela 1 – Estatística descritiva da PP em milímetros, no ano de 2023 e 2024 e a dinâmica pluviométrica mensal, desvios padrão a 95% e valores de outliers

* Valor p (normal = <0,05) = Distribuição de dados não é normal; **Mann-Whitney test (>0,05).

Fonte: Autores (2025)

3.2. Desempenho dos classificadores supervisionados RF e TempCNN

A partir da análise gerada pelo método de amostragem aleatória estratificada, o classificador RF apresentou a melhor acurácia geral, com 98% (Tabela 2), à medida que o classificador TempCNN obteve uma precisão de 97% (Tabela 3). Embora estes valores representam bom desempenho geral, a análise da acurácia do usuário, em que mede a confiabilidade da classe mapeada, mostrou valores médios para o RF (0,6) e baixo para o TempCNN (0,42), referente a classe de deslizamento. Em decorrência de uma baixa acurácia de usuário, o mapeamento superestimou as classes, o que resultou em falsas informações e comprometeu a confiança do produto final. Tendência similar também foi encontrada na análise de Ferla et al. (2025), os quais mapearam áreas de desmatamento com uso dos classificadores RF e TempCNN.

Tabela 2 – Matriz de Confusão do algoritmo de classificação RF

Fonte: Autores (2025)

A maior acurácia para o algoritmo de classificação do RF para a identificação de cicatrizes de DT também foi encontrada na análise de Dias et al. (2021), com melhores resultados (90,2%), comparado às aplicações do Support Vector Machine (SVM), no município de Itaóca, São Paulo. Neste sentido, o RF em nossa análise obteve melhor precisão em relação ao TempCNN. Deste modo, ao classificar o DT, o RF mostrou maior probabilidade de classificá-lo corretamente (menos falsos positivos), devido a sua acurácia de usuário ser mais alta, uma vez que foi utilizado, além das bandas RGB e NIR, o MDE como uma variável explicativa fortemente associada à ocorrência de deslizamentos (Saleem et al., 2019). Assim, o RF foi capaz de separar áreas de deslizamento, ao aumentar a precisão (0,60) sem comprometer a sensibilidade (0,62).

O TempCNN apresentou alta acurácia de produtor (84%), o que indica que conseguiu identificar a maior parte dos DT reais, com apenas 16% de erros de omissão. Entretanto, a acurácia do usuário foi baixa (42%), de modo a revelar que mais da metade dos pixels classificados como DT correspondiam a áreas sem ocorrência, o que resultou em um alto valor de erros de comissão. Esta limitação ocorre porque o TempCNN não incorpora o MDE e, portanto, perde informações espaciais cruciais diretamente relacionadas com a configuração do terreno, que ajudam a diferenciar deslizamentos de áreas com comportamento espectral semelhante. Por outro lado, sua arquitetura baseada em séries temporais (Ló et al., 2023) favoreceu a detecção dos casos verdadeiros e reduziu o nível de omissão.

Tabela 3 – Matriz de Confusão do modelo TempCNN

Fonte: Autores (2025)

3.3. Classificação final dos algoritmos RF e TempCNN

As classificações finais dos algoritmos para os períodos de pré e pós evento mostraram uma discrepância considerável na área atribuída à classe água no cenário pré-evento (Figura 4). Esta diferença está associada ao cubo de dados utilizado para a construção da série temporal, que incluiu principalmente os episódios de PP extrema ocorrido nos meses de setembro, outubro e novembro de 2023, de modo que o classificador gerado pelo cubo de dados deste ano detectou a presença de umidade no solo e, portanto, a divergência da classe água no resultado da classificação.

Conclusões semelhantes foram obtidos por Quevedo et al. (2024), em que houve uma superestimativa das áreas referentes a classe de água ao utilizar RF, como também, confusões entre a classe água e área de solo úmidos ainda descobertos próxima ao rio, o que confirma o padrão encontrado em nossa análise, onde houve sobreposição espacial entre as classes água e as classes agricultura em algumas regiões, principalmente em grandes áreas alagadas em planícies de inundação, próximas à margem dos rios.

Figura 4 – Classificação final dos algoritmos RF e TempCNN em período pré e pós evento

Fonte: Autores (2025)

Ainda, na classificação do TempCNN fica evidente os falsos positivos (classificações equivocadas), com manchas dispersas e fragmentadas de agricultura e deslizamentos que não seguem a lógica da paisagem. Isso sugere que o modelo confundiu pixels de áreas de deslizamento com áreas de agricultura em estágio inicial ou áreas com solo exposto ainda em preparação para o plantio. Desta maneira, este classificador é mais sensível ao ruído e casos de sobreposição espectral entre estas classes, o que resultou a superestimação das áreas de deslizamento.

Do mesmo modo, na análise de Oliveira et al. (2019), em que compararam o desempenho do RF e de RNA na modelagem de suscetibilidade a deslizamentos na Bacia do Rio Fão, Sul do Brasil, concluíram que o modelo RF se destacou nesse aspecto, ao registrar o maior índice de precisão entre todas as configurações testadas (0,949). Dentro deste contexto, inúmeras pesquisas sobre o tema buscam estabelecer uma metodologia apropriada para a classificação de áreas afetadas por DT ocasionadas por PP extremas (Tabela 4).

Tabela 4 – Pesquisas realizadas para o monitoramento de DT a partir de técnicas de SR

Fonte: Autores (2025)

No cenário de mudanças climáticas enfrentadas no Rio Grande do Sul, Sausen e Lacruz (2015) já o contextualizaram ao mostrar os principais desafios para o seu monitoramento com técnicas de SR e os principais produtos já utilizados ao longo deste tempo, além de se servir como uma das principais bibliografias norteadoras nas análises realizadas atualmente.

Atualmente, as abordagens metodológicas para a classificação de áreas de DT têm se pautado no uso de algoritmos de ML e DL ao utilizar como variáveis preditoras bandas e índices de vegetação de sensores ópticos, MDE e derivados deste, uso e cobertura da terra e dados de PP. Todavia, em algumas abordagens mais avançadas a utilização de um grande volume de informação via cubo de dados (Ferreira et al., 2020; Ferreira e Queiroz, 2021) e com variáveis derivadas de imagens SAR (Synthetic Aperture Radar – Radar de Abertura Sintética) demonstram resultados promissores ao serem adicionados a modelos de classificação com os mais diversos tipos de variáveis (Chen et al., 2024), embora ainda demande de um grande esforço computacional, o que pode inviabilizar análises em larga escala.

A partir desta análise conclui-se que: a abordagem automatizada com o RF foi a que demonstrou melhor desempenho, com nível aceitável de concordância e menor tendência à superestimação. Enquanto o TempCNN apresenta erros ao confundir e superestimar algumas áreas, embora demonstre melhor sensibilidade devido à sua acurácia de produtor alta.

Com o estabelecimento do fluxo de análise se demonstrou a viabilidade do uso de classificadores de ML e DL para o estabelecimento de metodologias robustas para apoiar e complementar trabalhos de campo na identificação de DT, ao fornecer respostas mais ágeis do mapeamento de um desastre aos tomadores de decisão.

A utilização de classificadores automáticos mostrou-se promissora e com potencial de aprimoramento, de modo que demanda do refinamento de modelos, como o modelo linear misto, que incorporem às variáveis extraídas de sensores ópticos, as variáveis hidrológicas (como taxa de infiltração e umidade antecedente do solo), variáveis climáticas, variáveis extraídas de imagens de radar e variáveis derivadas do MDE, tais como ângulo de inclinação e aspecto, para uma melhor predição.

ATTRI, P.; CHAUDHRY, S.; SHARMA, B. Remote Sensing & GIS based approaches for LULC change detection: a review. International Journal of Current Engineering and Technology, v. 5, n. 5, 2015.

BELGIU, M.; DRĂGUŢ, L. Random forest in remote sensing: a review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, v. 114, p. 24–31, 2016.

CHEN, H.; H. E., Y.; ZHANG, L.; et al. A multi-input channel U-Net landslide detection method fusing SAR multisource remote sensing data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 17, p. 1215-1232, 2024. Acesso em: 19 ago. 2025. DOI: https://doi.org/10.1109/JSTARS.2023.3339294.

CHEN, W.; POURGHASEMI, H. R; NAGHIBI, S. A. A comparative study of landslide susceptibility maps produced using support vector machine with different kernel functions and entropy data mining models in China. Bull Eng Geol Environ, v. 77, p. 647-664, 2018. DOI: https://doi.org/10.1007/s10064-017-1010-y.

CPRM. Serviço Geológico do Brasil. Geodiversidade do Estado do Rio Grande do Sul. P. 250, Porto Alegre, 2010. Disponível em: https://rigeo.sgb.gov.br/handle/doc/16774. Acesso em: 14 ago. 2025.

DE LIMA, F. F.; SAITO, S. M.; MORELLI, S. Rainfall thresholds and forest regeneration in post-landslide areas of the Atlantic Forest. Natural Hazards, v. 109, p. 1399–1418, 2021.

DIAS, H. C. et al. Landslide recognition using SVM, Random Forest, and Maximum Likelihood classifiers on high-resolution satellite images: a case study of Itaóca, southeastern Brazil. Brazilian Journal of Geology, v. 51, n. 4, 2021. DOI: 10.1590/2317-4889202120200105.

EGAS, H. M.; STABILE, R. A.; ANDRADE, M. R. M. et al. Inventário abrangente e avaliação inicial de deslizamentos de terra desencadeados pelas chuvas do outono de 2024 no Rio Grande do Sul, Brasil. Landslides, v. 22, p. 579–589, 2025.

EM-DAT – The International Disaster Database. Natural Disasters. Centre for Research on the Epidemiology of Disasters – CRED, Université Catholique de Louvain, Belgium, 2018.

FAGUNDES, G. C. L; AQUINO, C. M. S; SOUSA, M. A. Movimentos gravitacionais de massa: estudo de caso em Teresina, Piauí. Revista Espaço e Geografia, v. 25, n. 1, p. 295–321, 2023. Disponível em: https://periodicos.unb.br/index.php/espacoegeografia/article/view/44030. Acesso em: 1 set. 2025. DOI: 10.26512/2236-56562022e44030.

FARAH, F. Ocupação urbana e instabilidade de encostas. Coleção Habitare, São Paulo, v. 2, p. 312, 2003.

FEPAM. Fundação Estadual de Proteção Ambiental. Secretaria Estadual do Meio Ambiente. Diagnóstico ambiental da bacia do Taquari-Antas, RS: diretrizes regionais para o licenciamento ambiental das hidrelétricas – trecho médio e superior. Porto Alegre, FEPAM, 2001.

FERLA, A. K.; NARVAES, I. S.; KUPLICH, T. M. Métodos de machine learning e deep learning para mapeamento de supressão da vegetação em área de campo no bioma Mata Atlântica. In: Anais do XXI Simpósio Brasileiro de Sensoriamento Remoto, 2025, Salvador. Anais eletrônicos..., Galoá, 2025. Disponível em: https://proceedings.science/sbsr-2025/trabalhos/metodos-de-machine-learning-e-deep-learning-para-mapeamento-de-supressao-da-vege?lang=en. Acesso em: 22 out. 2025.

FERREIRA, K. R.; QUEIROZ, G. R. Medindo o Brasil a partir do espaço: tecnologias de big data e inteligência artificial. AtoZ, v. 10, n. 3, 2021, DOI: https://doi.org/10.5380/atoz.v10i3.81966.

FERREIRA, K.R.; QUEIROZ, G.R.; VINHAS, L. et al. Earth Observation Data Cubes for Brazil: Requirements, Methodology and Products. Remote Sensing, v. 12, 2020, DOI: https://doi.org/10.3390/rs12244033.

FERRI, G. A.; TOGNI, A. C. A história da bacia hidrográfica Taquari-Antas. Editora Univates. Lajeado, 2012.

FUNK, C.; PETERSON, P.; LANDSFELD, M. et al. The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific Data v.2, n. 150066, 2015. DOI: https://doi.org/10.1038/sdata.2015.66.

HUANG, J.; JU, N. P.; LIAO, Y. J. et al. Determination of rainfall thresholds for shallow landslides by a probabilistic and empirical method. Natural Hazards and Earth System Sciences, v. 15, 2021, DOI: http://dx.doi.org/10.5194/nhess-15-2715-2015.

IBGE. Instituto Brasileiro de Geografia e Estatística. Mapa de Unidades de Relevo do Brasil. Rio de Janeiro, ed. 2, 2006.

INSTITUTO NACIONAL DE METEOROLOGIA (INMET). Eventos extremos de abril de 2024 no Brasil. Notas Técnicas, 2024. Disponível em: https://portal.inmet.gov.br/notasTecnicas. Acesso em: 11 set. 2025.

INSTITUTO NACIONAL DE METEOROLOGIA (INMET). Eventos extremos de setembro de 2023 no Brasil. Notas Técnicas, 2023. Disponível em: https://portal.inmet.gov.br/notasTecnicas. Acesso em: 27 set. 2025.

KAISER, E. A.; ROLIM, S. B. A.; GRONDONA, A. E. B. et al. Spatiotemporal Influences of LULC Changes on Land Surface Temperature in Rapid Urbanization Area by Using Landsat-TM and TIRS Images. Atmosphere, v. 13, n. 3, p. 460, 2022. DOI: http://dx.doi.org/10.3390/atmos13030460.

LE CUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521 p. 436–444, 2015, DOI: https://doi.org/10.1038/nature14539.

LÓ, T. B.; CORRÊA, U. B.; ARAÚJO, R. M. et al. Temporal convolutional neural network for land use and land cover classification using satellite images time series. Arabian Journal of Geosciences, v.16, n.10, p 1-18, 2023, DOI: https://doi.org/10.1007/s12517-023-11688-4.

MEHMOOD, K.; ANEES, S. A.; MUHAMMAD, S. et al. Analyzing vegetation health dynamics across seasons and regions through NDVI and climatic variables. Scientific Reports, v. 14, n. 1, p. 1-22, 2024. DOI: http://dx.doi.org/10.1038/s41598-024-62464-7.

OLIVEIRA, G. G.; RUIZ, L. F. C.; GUASSELLI, L. A. et al. Random forest and artificial neural networks in landslide susceptibility modeling: a case study of the Fão River Basin, Southern Brazil. Natural Hazards v. 99, 1049–1073, 2019. DOI: 10.1007/s11069-019-03795-x.

OLOFSSON, P. et al. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, v. 148, p. 42–57, maio 2014.

PELLETIER, C.; WEBB, G. I.; PETITJEAN, F. Temporal convolutional neural network for the classification of satellite image time series. Remote Sensing, v. 11, n. 5, 2019.

PERBET, P.; GUINDON, L.; CÔTÉ, J. F. et al. Evaluating deep learning methods applied to Landsat time series subsequences to detect and classify boreal forest disturbances events: The challenge of partial and progressive disturbances. Remote Sensing of Environment, v. 306, 2024. DOI: https://doi.org/10.1016/j.rse.2024.114107.

POSIT. RStudio: Integrated Development for R. v. 2024.05.0, Boston, 2024. Disponível em: https://posit.co/. Acesso em: 9 set. 2025.

QUEVEDO, R. P; MACIEL, D. A; REIS, M. S. et al. Land use and land cover changes without invalid transitions: A case study in a landslide-affected area. Remote Sensing Applications: Society and Environment, v. 36, p. 101314, 2024. DOI: https://doi.org/10.1016/j.rsase.2024.101314.

SALEEM, N.; HUQ, M. E; TWUMASI, N. Y. D. et al. Parameters derived from and/or used with digital elevation models (DEMs) for landslide susceptibility mapping and landslide risk assessment: a review. ISPRS International Journal of Geo-Information, v. 8, n. 12, 2019. DOI: https://doi.org/10.3390/ijgi8120545.

SANTOS, D. L.; FRAGOSO JR., C. R.; SOUZA, V. C. B. Limiar de precipitação com potencial de gerar deslizamentos nos complexos de risco em uma zona urbana. Revista de Gestão de Água da América Latina, v. 16, e12, 2019. DOI: https://dx.doi.org/10.21168/rega.v16e12.

SAUSEN, T. M.; LACRUZ, M. S. P. Sensoriamento remoto para desastres. Oficina de Textos, p. 285, São Paulo, 2015. P.

SHEYKHMOUSA, M.; MAHDIANPARI, M.; GHANBARI, M. et al. 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, v. 13, p. 6308-6325, 2020.

SIMÕES, R. et al. Satellite image time series analysis for big earth observation data. Remote Sensing, v. 13, p. 2428, 2021.

TOAN, D. T.; DUC, D. M.; QUYNH, D. T. et al. Série de deslizamentos de terra induzidos por chuvas extremas e grandes deslizamentos de terra semelhantes a fluxos de água na comuna de Ho Bon, distrito de Mu Cang Chai, província de Yen Bai, Vietnã, em agosto de 2023. Landslides, v. 22, p. 2607–2622, 2025. DOI: https://doi.org/10.1007/s10346-025-02544-5.