Resumo
A pesquisa aborda a identificação e classificação multitemporal dos wetlands do município do Rio de Janeiro, utilizando imagens dos satélites Sentinel-1 (SAR) e Sentinel-2 (óptico) integradas por meio do algoritmo de aprendizado de máquina Random Forest. Os resultados indicam que cerca de 13% do território carioca é composto por áreas inundadas de forma permanente ou sazonal, predominantemente localizada nas áreas planícies costeiras e baías. A pesquisa evidencia a relevância ecológica dos wetlands na regulação hídrica, na biodiversidade e na mitigação das mudanças climáticas, ressaltando a necessidade de delimitação desses objetos para fins de planejamento e gestão da cidade.
Referências
BELGIU, M.; DRAGUT, 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. https://doi.org/10.1016/j.isprsjprs.2016.01.011.
BRASIL. Código Florestal Brasileiro - Lei nº 12.651, de 25 de maio de 2012. Dispõe sobre a proteção da vegetação nativa e dá outras providências. Diário Oficial da República Federativa do Brasil, Brasília, DF, 2012. Available at: http://www.planalto.gov.br/ccivil_03/_ato2011-2014/2012/lei/l12651.htm. Accessed on: 16 jul. 2020.
BRASIL. Decreto nº 1.905, de 16 de maio de 1996. Promulga a Convenção Relativa às Zonas Úmidas de Importância Internacional, especialmente como Habitat de Aves Aquáticas (Convenção de Ramsar), de 2 de fevereiro de 1971. Diário Oficial da República Federativa do Brasil, Brasília, DF, 17 mai. 1996.
BRASIL. Decreto nº 10.141, de 28 de novembro de 2019. Dispõe sobre a implementação da Convenção sobre Zonas Úmidas de Importância Internacional, especialmente como Habitat de Aves Aquáticas (Convenção de Ramsar), e dá outras providências. Diário Oficial da República Federativa do Brasil, Brasília, DF, 29 nov. 2019.
BRASIL. Recomendação CNZU n. º 07, de 11 de junho de 2015. Brasília, DF. 2015. Available at: https://antigo.mma.gov.br/comunicacao/item/10872-comit%C3%AA-nacional-de-zonas-%C3%BAmidas.html. Accessed on: 20 apr. 2022.
CARDOSO, Daniel da Silva. Uso de séries temporais do sensor Sentinel-1 SAR na análise de áreas inundáveis nos rios Madeira e Canumã no estado do Amazonas, Brasil. Monografia de Bacharel em Geografia, Universidade de Brasília, Brasília, 2022.
CARVALHO JÚNIOR, O.A.C. Aplicações e perspectivas do Sensoriamento Remoto para o mapeamento de áreas inundáveis. Revista de Geografia (Recife), v. 35, n. 4, 2018.
COSTA, Evelyn de Castro Porto. Wetlands do Estado do Rio de Janeiro: Identificação, Classificação e Estado Ambiental das Paisagens Pantanosas. 2025. 177 f.: il. Tese (Doutorado em Geografia) – Programa de Pós-Graduação em Geografia, Universidade Federal Fluminense, Niterói, 2025.
CUNHA, C.N; PIEDADE, M.T.F; JUNK, W. J. (Ed.). Classificação e delineamento das áreas úmidas brasileiras e de seus macrohabitats. Cuiabá: EdUFMT, 2014.
CUTLER, Adele; CUTLER, D. Richard; STEVENS, John R. Random forests. In: Ensemble machine learning: Methods and applications, p. 157-175, 2012.
EMBRAPA. Sentinel: Missão Sentinel. Available at: https://www.embrapa.br/satelites-de-monitoramento/missoes/sentinel. Accessed on: 25 jan. 2024.
EUROPEAN SPACE AGENCY (ESA). Sentinel online. User Guides. Available at: https://sentinel.esa.int/web/sentinel/user-guides. Accessed on: 25 jan. 2024.
IBGE. Censo Demográfico 2022: resultados gerais da população e dos domicílios. Rio de Janeiro: IBGE, 2023. Available at: https://censo2022.ibge.gov.br/. Accessed on: 10 nov. 2025.
JAMALI, Ali et al. Deep Forest classifier for wetland mapping using the combination of Sentinel-1 and Sentinel-2 data. GIScience & Remote Sensing, v. 58, n. 7, p. 1072-1089, 2021.
JUNK, W.J et al. Brazilian wetlands: their definition, delineation, and classification, for research, sustainable management, and protection. Aquatic Conservation: Marine and Freshwater Ecosystems. v. 24, n. 1, p. 5-22, 2014.
LONGLEY, P.A.; GOODCHILD, M. F.; MAGUIRE, D. J.; RHIND, D. W. Sistemas e Ciência da Informação Geográfica. Porto Alegre. Bookman, 2013.
MAGALHÃES, Ivo Augusto Lopes. Análise de inundações e classificação da cobertura vegetal no bioma amazônico usando séries temporais sentinel-1 SAR e técnicas de Deep Learning. 2022. 122 f., il. Tese (Doutorado em Geografia) — Universidade de Brasília, Brasília, 2022.
MAHDIANPARI, Masoud et al. The first wetland inventory map of newfoundland at a spatial resolution of 10 m using Sentinel-1 And Sentinel-2 data on the Google Earth Engine cloud computing platform. Remote Sensing, v. 11, n. 1, p. 43, 2018.
MAUS, V.; CÂMARA, G.; CARTAXO, R.; SANCHEZ, A.; RAMOS, F.M.; de QUEIROZ, G.R. A Time-Weighted Dynamic Time Warping Method for Land-Use and Land-Cover Mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9, 3729–3739.
MOORE, Peter D. Ecosystems: Wetlands. Revised Edition. New York, NY, 2005.
MOREIRA, Maurício Alves. Fundamentos do sensoriamento remoto e metodologia de aplicação. 4. ed., Viçosa, MG, Editora UFV, 2011.
OLOFSSON, Pontus et al. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, v. 148, p. 42-57, 2014.
PARADELLA, Waldir Renato et al. Radares imageadores nas Geociências: estado da arte e perspectivas. Revista Brasileira de Cartografia, v. 57, n. 1, p. 56-62, 2005.
PCRJ - Prefeitura da cidade do Rio de Janeiro. Plano Diretor da Cidade. Lei Complementar n°111 de 1 de fevereiro de 2011.
PONZONI, Flávio Jorge; SHIMABUKURO, Yosio Edemir; KUPLICH, Tatiana Mora. Sensoriamento remoto da vegetação. Oficina de textos, 2015.
RUSSI, D. et al. The Economics of Ecosystems and Biodiversity for Water and Wetlands. IEEP, London; Brussels; Gland: Ramsar Secretariat, Gland, 2013.
SEABRA, V. S. ; ROCHA-LEÃO, O. M. Razões para as enchentes e inundações no residencial carlos marighella: uma análise multitemática da bacia do rio do vigário, em Maricá-RJ. Revista da ANPEGE, v. 15, n. 26, p. 114-137, 2019.
SILVA, Fabricio Sousa; PESTANA, Adauto Luis Moraes. Mapeamento da cobertura hídrica da microrregião da Baixada Maranhense com dados do sensor SAR Sentinel 1A. Revista Brasileira de Sensoriamento Remoto, v. 1, n. 2, 2021.
SLAGTER, Bart et al. Mapping wetland characteristics using temporally dense Sentinel-1 and Sentinel-2 data: A case study in the St. Lucia wetlands, South Africa. International Journal of Applied Earth Observation and Geoinformation, v. 86, p. 102009, 2020.
TAMIMINIA, Haifa et al. Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS journal of photogrammetry and remote sensing, v. 164, p. 152-170, 2020.
TEIXEIRA, S. G. Radar de abertura sintética aplicado ao mapeamento e reconhecimento de zonas úmidas costeiras. 2011. 127p. Tese (Doutorado em Geologia). Instituto de Geociências, Universidade Federal do Pará, Belém, 2011.
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 Evelyn de Castro Porto Costa, Raúl Sanchez Vicens