Com o advento do sensoriamento remoto, surgiram técnicas de mapeamento que contribuíram para o monitoramento e compreensão das mudanças que ocorrem na superfície terrestre. Nesse sentido, as análises de cobertura e uso da terra aparecem como um estudo indispensável na compreensão dos fenômenos que funcionam como principais fomentadores das alterações espaciais. O município de Itaboraí, localizado no leste metropolitano do estado do Rio de Janeiro, passou por diversas transformações em sua paisagem desde o anúncio de uma nova inserção em seu território: o Complexo Petroquímico do Rio de Janeiro (Comperj). Neste trabalho, objetivou-se verificar, comparativamente, a precisão de mapeamentos de cobertura e uso da terra desenvolvidos com o produto de dois distintos projetos espaciais: Landsat-8 (OLI) e Sentinel-2 (MSI). As classificações foram realizadas na plataforma Google Earth Engine (GEE) utilizando o algoritmo Random Forest e, para a avaliação do dado produzido, foi aplicado o índice Kappa, que resultou nos valores de 0,92 e 0,90 para os casos Sentinel-2 (MSI) e Landsat-8(OLI), respectivamente. Por fim, apesar de as duas classificações apresentarem entre si uma diferença inferior a 20%, os resultados comparativos apontam que as classes agropasto, área construída e floresta possuem as maiores confusões.
With the advent of remote sensing, mapping techniques have emerged that have contributed to monitoring and understanding changes occurring on the Earth's surface. In this context, Land Cover and Land Use analyses have become indispensable studies in understanding the phenomena that serve as the primary drivers of spatial alterations. The municipality of Itaboraí, located in the metropolitan east of the state of Rio de Janeiro, has undergone various landscape transformations since the announcement of a new insertion in its territory: the Rio de Janeiro Petrochemical Complex (Comperj). This study aimed to comparatively verify the accuracy of Land Cover and Land Use mappings developed using data from two distinct space projects: Landsat-8 (OLI) and Sentinel-2 (MSI). The classifications were performed on the Google Earth Engine (GEE) platform using the Random Forest algorithm, and for evaluating the produced data, the Kappa index was applied, resulting in values of 0.92 and 0.90 for Sentinel-2 (MSI) and Landsat-8 (OLI) cases, respectively. Finally, although the two classifications showed a difference of less than 20% between them, comparative results indicate that the agropasture, built-up area, and forest classes have the highest confusion rates.
