Este estudo propôs um método eficiente de classificação geomorfológica utilizando o algoritmo Random Forest (RF) em sub-bacias do rio São Francisco, destacando-se pela aplicação de técnicas de aprendizado de máquina em mapeamentos de relevo. O objetivo foi abordar a subjetividade na delimitação de unidades geomorfológicas, um desafio recorrente no campo, e aprimorar a precisão dos mapas através da integração de covariáveis derivadas de Modelos Digitais de Elevação (MDE) e dados de sensoriamento remoto. O estudo identificou a necessidade de uma abordagem mais objetiva e automatizada, dada a variabilidade dos métodos tradicionais. Os resultados mostraram que o RF é altamente eficaz, alcançando uma acurácia global de 95% e um índice Kappa de 0,86, destacando-se a altitude e as variáveis binárias que diferenciam planícies fluviais como as covariáveis mais importantes. As conclusões apontam que, apesar da eficácia dos métodos automatizados, a intervenção manual continua essencial para refinar os mapas geomorfológicos, sugerindo uma abordagem híbrida. O estudo ressalta a importância de combinar técnicas automatizadas com validação por especialistas para assegurar a precisão e a aplicabilidade dos mapas geomorfológicos, contribuindo significativamente para a gestão ambiental e o planejamento territorial.