A presente pesquisa propõe a utilização de modelos digitais de superfície (MDS) de alta resolução, gerados pelo método SfM-MVS (Structure from Motion Multi View Stereo) a partir fotografias obtidas por RPA (Remotely Piloted Aircrafts - drones), com a intenção de detectar mudanças nos fatores que influenciam os deslizamentos em uma série temporal. Duas áreas de risco geológico do Município de São Paulo foram selecionadas como áreas de estudos, a fim de validar a utilização do método em ambientes complexos. Um MDS obtido por LiDAR (Light Detection And Ranging) foi utilizado como referência para as análises. Os dados foram comparados em três períodos (2017 - LiDAR, 2019 - RPA, 2022 - RPA) para detecção de mudanças. Os resultados mostraram que a técnica foi eficaz na detecção de mudanças no uso e cobertura do solo, especialmente em relação à vegetação e edificações. No entanto, também foram identificadas limitações, como a dificuldade em identificar mudanças menores, bem como foi possível identificar desafios técnicos e institucionais para replicar o método. Conclui-se que o monitoramento e a detecção de mudanças por MDS gerados por SfM-MVS são ferramentas importantes para compreender e gerenciar áreas de risco geológico em ambientes urbanos. Contudo, há espaço para melhorias na aplicação do método, como a utilização direta de nuvens de pontos para obter resultados mais precisos e detalhados. A pesquisa contribui para a obtenção de dados sobre o território e para o planejamento e prevenção de desastres nas áreas de risco.

The present research proposes the use of high-resolution digital surface models (DSMs) generated through the Structure from Motion Multi View Stereo (SfM-MVS) method from photographs obtained by Remotely Piloted Aircraft (RPA) - drones, with the intention of detecting changes in factors that influence landslides over a temporal series. Two geological risk areas in the municipality of São Paulo were selected as study areas to validate the method's use in complex environments. An MDS obtained by Light Detection And Ranging (LiDAR) was used as a reference for the analyses. The data were compared over three periods (2017 - LiDAR, 2019 - RPA, 2022 - RPA) for change detection. The results showed that the technique was effective in detecting changes in land use and land cover, particularly concerning vegetation and buildings. However, limitations were also identified, such as difficulties in identifying minor changes, and technical and institutional challenges were observed for replicating the method. It is concluded that monitoring and change detection using DSMs generated by SfM-MVS are important tools for understanding and managing geological risk areas in urban environments. Nonetheless, there is room for improvement in the method's application, such as the direct use of point clouds to obtain more precise and detailed results. The research contributes to obtaining data about the territory and aids in disaster planning and prevention in risk areas.