Resumo
A detecção de mudanças em áreas naturais é essencial para sua preservação. Este estudo avaliou o desflorestamento associado à urbanização na Barra da Tijuca (RJ), utilizando o algoritmo LandTrendr em séries temporais de imagens Landsat (1985 - 2024). O método alcançou alta precisão, com acurácia global de 0,92, F1-score de 0,91 e Kappa de 0,83. Os resultados indicaram que o período de maior mudança ocorreu entre 1985 e 1990, com 22,5 km² alterados, valor três vezes superior ao período de 2010-2015 (7,4 km²). Estas transformações estão associadas à intensa expansão imobiliária e ao desenvolvimento urbano.
Referências
ABREU, M. A. Evolução Urbana do Rio de Janeiro. 4a Edição. Instituto Municipal de Urbanismo Pereira Passos (IPP), Rio de Janeiro, RJ, 2006.
CÂMARA, G. et al. Using dynamic geospatial ontologies to support information extraction from big Earth observation data sets. International Conference on GIScience Short Paper Proceedings, v. 1, n. 1, 2016.
CAMARANO, A. A. et al. Tendências demográficas no município do Rio de Janeiro. Coleção Estudos Cariocas, v. 4, n. 1, p. 47-47, 2004.
COHEN, J. A coefficient of agreement for nominal scales. Educational and psychological measurement, v. 20, n. 1, p. 37-46, 1960.
COHEN, W. B. et al. A LandTrendr multispectral ensemble for forest disturbance detection. Remote Sensing of Environment, v. 205, p. 131-140, 2018.
CONGALTON, R. G.; GREEN, K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. 3ª edição. Boca Raton: CRC Press, 2019.
COSTA, L. Plano Piloto para urbanização da baixada compreendida entre a Barra da Tijuca, o Pontal de Sernambetiba e Jacarepaguá. Agência Jornalística Image, Rio de Janeiro, 1969.
FERRAZ, D. P. G. B.; VICENS, R. S. Comparison between machine learning classification and trajectory-based change detection for identifying eucalyptus areas in Landsat time series. Remote Sensing Applications: Society and Environment, v. 37, [s.n.], 2025.
GÓMEZ, C.; WHITE, J. C.; WULDER, M. A. Optical remotely sensed time series data for land cover classification: A review. ISPRS Journal of Photogrammetry and Remote Sensing, v. 116, p. 55-72, 2016.
HU, T. et al. Extraction of Building Construction Time Using the LandTrendr Model With Monthly Landsat Time Series Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 17, p. 18335-18350, 2024.
HUANG, S. et al. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, v. 32, n. 1, p. 1-6, 2021.
KENNEDY, R. E.; YANG, Z.; COHEN, W. B. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr—Temporal segmentation algorithms. Remote Sensing of Environment, v. 114, n. 12, p. 2897-2910, 2010.
KENNEDY, R.E. et al. Implementation of the LandTrendr Algorithm on Google Earth Engine. Remote Sensing, [s.l.]. v. 10, n. 691, p. 1-10, 2018.
LAGO, Luciana Corrêa. Desigualdade socioespacial e mobilidade residencial: a metrópole do Rio de Janeiro nos anos 80. Cadernos Metrópole, [S. l.], n. 02, p. 11–40, 1999.
MAUS, V. et al. 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, v. 9, n. 8, p. 3729-3739, 2016.
MAZZURANA, E. R. Mata Atlântica: patrimônio natural, cultural e biológico do Brasil. Revista Encontros Teológicos, [S. l.], v. 31, n. 3, 2016.
MENDONÇA, V. C. Do Sertão Carioca aos condomínios da Barra da Tijuca: uma viagem em torno dos territórios. Tese (Doutorado em Psicologia Social) – Instituto de Psicologia, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, RJ. 247 p. 2023.
MUGIRANEZA, T.; NASCETTI, A.; BAN, Y. Continuous monitoring of urban land cover change trajectories with landsat time series and landtrendr-google earth engine cloud computing. Remote Sensing, v. 12, n. 18, p. 2883, 2020.
PEIXOTO, G.; NASCIMENTO, R. Prédio irregular avaliado em R$ 4 milhões é demolido na Ilha da Gigoia. G1 Rio de Janeiro, 15/08/2023. Disponível em: https://g1.globo.com/rj/rio-de-janeiro/noticia/2023/08/15/predio-irregular-e-demolido-na-ilha-da-gigoia.ghtml. Acesso em: 10 nov. 2025.
PONZONI, F. J.; SHIMABUKURO, Y. E. Sensoriamento Remoto no Estudo da Vegetação. São José dos Campos/SP: Instituto Nacional de Pesquisas Espaciais – INPE, 2010.
Prefeitura da Cidade do Rio de Janeiro. Censo 2022: População e domicílios por bairros (dados preliminares). Disponível em: https://www.data.rio/datasets/fd354740f1934bf5bf8e9b0e2b509aa9_2/explore?showTable=true. Acesso em: 18 out. 2024.
Prefeitura da Cidade do Rio de Janeiro. IDH-M: Uma análise do Índice de Desenvolvimento Humano Municipal para a Cidade do Rio de Janeiro. Disponível em: http://rio.rj.gov.br/dlstatic/10112/6165511/4162028/analise_idhm_rio_v4_compur.pdf. Acesso em: 18 out. 2024.
ROUSE, J. W. et al. Monitoring Vegetation systems in the Great Plains with ERTS, Proceedings. Third Earth Resources Technology Satellite-1 Symposium, Greenbelt: NASA SP-351, p. 3010-3017, 1974.
SOFFIATI, A. Manguezais do Estado do Rio de Janeiro. Revista Visão Socioambiental, 2024. Disponível em: https://visaosocioambiental.com.br/manguezais-do-estado-do-rio-de-janeiro/. Acesso em: 10 nov. 2025.
SOUSA, A. V. de. Do peixe ao lixo: transformações urbanas e seus efeitos na produção de espaços sociais no Itanhangá. 2018. 23f. Trabalho de Conclusão de Curso (Especialização em Política e Planejamento Urbano) – IPPUR/UFRJ, Rio de Janeiro, 2018.
SOUSA, A. V. Transformações urbanísticas, práticas estatais e mercado imobiliário na Lagoa da Tijuca/RJ. XIII Reunião de Antropologia do Mercosul. Porto Alegre, RS. 20 p. 2019.
TAHIR, Z. et al. Predicting land use and land cover changes for sustainable land management using CA-Markov modelling and GIS techniques. Scientific Reports, v. 15, n. 1, p. 3271, 2025.
VINHAS, L. et al. Web Services for Big Earth Observation data. Geoinfo, p. 166-177, 2016.
WECKMÜLLER, R.; VICENS, R. S. As geotecnologias e a detecção de trajetórias evolutivas da paisagem: possibilidades metodológicas e aplicações. Revista Brasileira de Geografia Física, v. 11, n. 6, p. 2140-2159, 2018.
YAN, X.; WANG, J. Dynamic monitoring of urban built-up object expansion trajectories in Karachi, Pakistan with time series images and the LandTrendr algorithm. Scientific reports, v. 11, n. 1, p. 23118, 2021.
YIN, H. et al.. Monitoring cropland abandonment with Landsat time series. Remote Sensing of Environment, v. 246, p. 111873, 2020.
ZEBENDE, J. V.; WECKMÜLLER, R.; VICENS, R. S. Análise da Trajetória Evolutiva da Cobertura Florestal do Município de Teresópolis/RJ utilizando o Algoritmo LandTrendr. Anuário do Instituto de Geociências - UFRJ. p. 316-324, 2020.
ZHU, Z.; WOODCOCK, C. E. Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, v. 144, p. 152-171, 2014.
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 Matheus Augusto de Souza, Debora da Paz Gomes Brandão Ferraz