A análise do uso e cobertura da terra (LULC) fornece informações valiosas para compreender as mudanças ambientais e seus efeitos na ocorrência de deslizamentos de terra. No entanto, séries temporais de LULC podem ser afetadas por erros de classificação que resultam em transições inválidas e, consequentemente, em interpretações equivocadas. Uma solução para esse problema é a inclusão de abordagens temporais que reduzam os efeitos dessas transições inválidas. Neste estudo, buscamos avaliar como tais métodos podem aprimorar a análise de LULC em uma área afetada por deslizamentos de terra. Para isso, integramos as probabilidades de classe do algoritmo Random Forest (RF) com a abordagem temporal fornecida pelo algoritmo Compound Maximum a Posteriori (CMAP), nomeado aqui como RF-CMAP. Os resultados do RF-CMAP foram comparados aos obtidos pelo RF tradicional, utilizando uma abordagem de comparação pós-classificação. Embora ambos os métodos tenham apresentado alto desempenho, com valores de acurácia geral (OA) superiores a 0,87, o RF-CMAP alcançou acurácia maior que o RF em todos os anos analisados e corrigiu 99,92 km² (12% da área total) de transições inválidas identificadas na classificação tradicional do RF. Além disso, o RF-CMAP foi capaz de classificar corretamente mais áreas afetadas por deslizamentos do que o RF (por exemplo, 66% e 21% para RF-CMAP e RF no ano 2000, respectivamente). Por fim, este estudo contribui para a exploração da integração entre os algoritmos RF e CMAP, destacando sua capacidade de evitar transições inválidas e avaliando o impacto dessas transições inválidas em análises subsequentes.