A floresta Amazônica, o maior bioma tropical do mundo, desempenha um papel essencial tanto na sociedade quanto no equilíbrio ambiental global. Através de sua vasta biodiversidade e capacidade de armazenamento de carbono, ela também apoia culturas locais e fornece recursos para o desenvolvimento sustentável. A previsão de desmatamento ocupa uma função significativa principalmente no monitoramento, controle e planejamento da conservação. A capacidade de prever onde e quando o desmatamento ocorrerá permite que autoridades e organizações tomem medidas preventivas mais eficazes, alocando recursos de maneira mais estratégica e desenvolvendo políticas que possam mitigar impactos negativos. Portanto, o estudo de métodos para prever o desmatamento tem sido cada vez mais desenvolvido nos últimos anos. Este trabalho visa aplicar métodos de aprendizado de máquina supervisionado e métodos estatísticos, como autorregressão, LightGBM e rede neural Long Short Term Memory (LSTM) para prever o desmatamento de múltiplos passos na Amazônia Legal brasileira, utilizando observações passadas de desmatamento e variáveis climáticas da região. A partir das pesquisas realizadas resultados mais eficientes foram apresentados nos modelos que utilizaram autorregressão. Além disso, o estudo mostrou bons resultados para classificar e prever pontos de anomalias da série, caracterizados por seus altos valores de desmatamento, assim como os padrões gerais da série. Os estados do Pará e Mato Grosso e o município de Apiacás apresentaram melhores resultados relacionados a classificação de pontos de pico, mostrando F1-Score médio para os passos previstos de 83%, 90% e 85%, respectivamente. Ao aprimorar as estratégias de monitoramento e controle do desmatamento, este estudo tem o potencial de impactar positivamente políticas públicas, promovendo um equilíbrio entre desenvolvimento econômico, preservação ambiental e regulação climática.