O problema da descoberta de padr˜oes sequenciais em grandes conjuntos de dados envolve uma ampla gama de aplicac¸ ˜oes cient´ıficas e industriais. Em um n´umero crescente de aplicac¸ ˜oes, os dados s˜ao coletados como sequˆencias espac¸o-temporais onde cada item na sequˆencia ´e associado a um tempo e a uma posic¸ ˜ao espacial. Isso leva a um novo e fascinante desafio para este dom´ınio: encontrar, com o mesmo processo: i) sequˆencias frequentes restritas no espac¸o e no tempo que podem n˜ao ser frequentes em todo o conjunto de dados e ii) o intervalo de tempo e espac¸o onde essas sequˆencias s˜ao frequentes. A descoberta de tais padr˜oes junto com suas restric¸ ˜oes pode levar a extrair conhecimento importante que pode permanecer escondido usando os m´etodos tradicionais, pois seu suporte ´e extremamente baixo no inteiro conjunto de dados. Apresentamos o novo algoritmo Spatio-Temporal Sequence Miner (STSM) para esse fim. O STSM ´e baseado em nosso novo princ´ıpio de minerac¸ ˜ao de padr˜oes sequenciais a fim de detectar intervalos espaciais onde as sequˆencias s˜ao frequentes. Em seguida, ele comp˜oe todas as sequˆencias detectadas dentro de cada intervalo para descobrir aqueles restritos no espac¸o e no tempo em que essas sequˆencias s˜ao frequentes. Apesar de nossa soluc¸ ˜ao ser gen´ erica, avaliamos o STSM em um caso de uso s´ısmico e ilustramos sua capacidade de detectar sequˆencias frequentes restritas no espac¸o e no tempo. Conseguimos identificar 1.500 sequˆencias restritas com alto limite de suporte, as quais n˜ao teriam sido encontradas usando as t ´ecnicas atuais. Al ´em disso, as sequˆencias identificadas pelo STSM correspondem na sismica a ´areas candidatas a horizons e a bright-spots que s˜ao de grande interesse para os especialistas nesse dom´ınio. Tanto quanto ´e do nosso conhecimento, esta ´e a primeira soluc¸ ˜ao para enfrentar o problema da identificac¸ ˜ao de sequˆencias frequentes restritas no espac¸o e no tempo.