Deep Learning e Agricultura Digital: Avaliação de Arquiteturas para Mapeamento Automatizado de Café com Séries Temporais de Imagens Orbitais
Resumo
Este trabalho avalia as arquiteturas TempCNN, L-TAE e ResNet para o mapeamento de café em Bom Sucesso (MG) a partir de séries temporais de imagens do Sentinel-2. Utilizando o pacote SITS do Brazil Data Cube, comparou-se o desempenho em cinco conjuntos de atributos espectrais nos períodos 2017-2018 e 2021-2022. Testes estatísticos de Friedman e Wilcoxon sobre o IoU indicam que a TempCNN, associada ao conjunto de atributos mais abrangente (bandas e índices de vegetação), obteve maior estabilidade e generalização frente a variações climáticas. Conclui-se que modelos convolucionais temporais, integrados a múltiplos índices espectrais, são eficazes para o monitoramento da cafeicultura em relevos acidentados.Referências
AlAli, R. (2025). Artificial intelligence for land cover and land use classification in remote sensing: Review study. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-G-2025:115–122.
Alves, L. Q., da Silva, A. B., Putti, F. F., and Góes, B. C. (2024). Danos na cultura do café causado pelas geadas ocorridas no ano de 2021 nos municípios de alfenas e poços de caldas, brasil. Peer Review Journals, (9):1–15.
Brito, P., Chaves, M., Carvalho, H., Souza, F., Silva, B., Ferreira, K., Santos, R., and de Queiroz, G. R. (2023). Uso de séries temporais para classificações de uso e cobertura da terra em petrolina, pernambuco. In Anais do XX Simpósio Brasileiro de Sensoriamento Remoto. INPE, Instituto Nacional de Pesquisas Espaciais.
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. J. Mach. Learn. Res., 7:1–30.
EMATER, E. d. A. T. e. E. R. (2025). Geoportal do café. [link]. Accessed: 2025-08-13.
Ferreira, K. R., Queiroz, G. R., Vinhas, L., Marujo, R. F. B., Simoes, R. E. O., Picoli, M. C. A., Camara, G., Cartaxo, R., Gomes, V. C. F., Santos, L. A., Sanchez, A. H., Arcanjo, J. S., Fronza, J. G., Noronha, C. A., Costa, R. W., Zaglia, M. C., Zioti, F., Korting, T. S., Soares, A. R., Chaves, M. E. D., and Fonseca, L. M. G. (2020). Earth observation data cubes for brazil: Requirements, methodology and products. Remote Sensing, 12(24).
Hand, B. M., Depoian, A. C., and Bailey, C. P. (2024). Efficient land use classification for brazilian coffee scenes. In IGARSS 2024-2024 IEEE International Geoscience and Remote Sensing Symposium, pages 8721–8725. IEEE.
Le, Q. T., Dang, K. B., Giang, T. L., Tong, T. H. A., Nguyen, V. G., Nguyen, T. D. L., and Yasir, M. (2022). Deep learning model development for detecting coffee tree changes based on sentinel-2 imagery in vietnam. Ieee Access, 10:109097–109107.
Parreiras, T. C., Santos, C. d. O., Bolfe, L., Sano, E. E., Leandro, V. B. S., Bayma, G., Silva, L. A. P. d., Furuya, D. E. G., Romani, L. A. S., and Morton, D. (2025). Dense time series of harmonized landsat sentinel-2 and ensemble machine learning to map coffee production stages. Remote Sensing, 17(18).
Pisl, J., Lenczner, G., Tuia, D., and de Morsier, F. (2024). Semantic segmentation of coffee plantations from sentinel-2 time series. In IGARSS 2024-2024 IEEE International Geoscience and Remote Sensing Symposium, pages 1526–1530. IEEE.
Santos, P. B. R., Souza, V. C. O., Mota, F. B. S., Volpato, M. M. L., and Alves, H. M. R. (2025). Cubo de dados geográfico aplicado a classificação automática de áreas cafeeiras no sul de minas gerais. In Anais do XXI Simpósio Brasileiro de Sensoriamento Remoto. INPE, Instituto Nacional de Pesquisas Espaciais.
Simoes, R., Camara, G., Queiroz, G., Souza, F., Andrade, P. R., Santos, L., Carvalho, A., and Ferreira, K. (2021). Satellite image time series analysis for big earth observation data. Remote Sensing, 13(13):2428.
USDA, U. S. D. o. A. (2025). Coffee top producing countries. [link]. Accessed: 2025-08-13.
Werner, J. P. S., Belgiu, M., Bueno, I. T., Dos Reis, A. A., Toro, A. P. S. G. D., Antunes, J. F. G., Stein, A., Lamparelli, R. A. C., Magalhães, P. S. G., Coutinho, A. C., Esquerdo, J. C. D. M., and Figueiredo, G. K. D. A. (2024). Mapping integrated crop–livestock systems using fused sentinel-2 and planetscope time series and deep learning. Remote Sensing, 16(8).
Alves, L. Q., da Silva, A. B., Putti, F. F., and Góes, B. C. (2024). Danos na cultura do café causado pelas geadas ocorridas no ano de 2021 nos municípios de alfenas e poços de caldas, brasil. Peer Review Journals, (9):1–15.
Brito, P., Chaves, M., Carvalho, H., Souza, F., Silva, B., Ferreira, K., Santos, R., and de Queiroz, G. R. (2023). Uso de séries temporais para classificações de uso e cobertura da terra em petrolina, pernambuco. In Anais do XX Simpósio Brasileiro de Sensoriamento Remoto. INPE, Instituto Nacional de Pesquisas Espaciais.
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. J. Mach. Learn. Res., 7:1–30.
EMATER, E. d. A. T. e. E. R. (2025). Geoportal do café. [link]. Accessed: 2025-08-13.
Ferreira, K. R., Queiroz, G. R., Vinhas, L., Marujo, R. F. B., Simoes, R. E. O., Picoli, M. C. A., Camara, G., Cartaxo, R., Gomes, V. C. F., Santos, L. A., Sanchez, A. H., Arcanjo, J. S., Fronza, J. G., Noronha, C. A., Costa, R. W., Zaglia, M. C., Zioti, F., Korting, T. S., Soares, A. R., Chaves, M. E. D., and Fonseca, L. M. G. (2020). Earth observation data cubes for brazil: Requirements, methodology and products. Remote Sensing, 12(24).
Hand, B. M., Depoian, A. C., and Bailey, C. P. (2024). Efficient land use classification for brazilian coffee scenes. In IGARSS 2024-2024 IEEE International Geoscience and Remote Sensing Symposium, pages 8721–8725. IEEE.
Le, Q. T., Dang, K. B., Giang, T. L., Tong, T. H. A., Nguyen, V. G., Nguyen, T. D. L., and Yasir, M. (2022). Deep learning model development for detecting coffee tree changes based on sentinel-2 imagery in vietnam. Ieee Access, 10:109097–109107.
Parreiras, T. C., Santos, C. d. O., Bolfe, L., Sano, E. E., Leandro, V. B. S., Bayma, G., Silva, L. A. P. d., Furuya, D. E. G., Romani, L. A. S., and Morton, D. (2025). Dense time series of harmonized landsat sentinel-2 and ensemble machine learning to map coffee production stages. Remote Sensing, 17(18).
Pisl, J., Lenczner, G., Tuia, D., and de Morsier, F. (2024). Semantic segmentation of coffee plantations from sentinel-2 time series. In IGARSS 2024-2024 IEEE International Geoscience and Remote Sensing Symposium, pages 1526–1530. IEEE.
Santos, P. B. R., Souza, V. C. O., Mota, F. B. S., Volpato, M. M. L., and Alves, H. M. R. (2025). Cubo de dados geográfico aplicado a classificação automática de áreas cafeeiras no sul de minas gerais. In Anais do XXI Simpósio Brasileiro de Sensoriamento Remoto. INPE, Instituto Nacional de Pesquisas Espaciais.
Simoes, R., Camara, G., Queiroz, G., Souza, F., Andrade, P. R., Santos, L., Carvalho, A., and Ferreira, K. (2021). Satellite image time series analysis for big earth observation data. Remote Sensing, 13(13):2428.
USDA, U. S. D. o. A. (2025). Coffee top producing countries. [link]. Accessed: 2025-08-13.
Werner, J. P. S., Belgiu, M., Bueno, I. T., Dos Reis, A. A., Toro, A. P. S. G. D., Antunes, J. F. G., Stein, A., Lamparelli, R. A. C., Magalhães, P. S. G., Coutinho, A. C., Esquerdo, J. C. D. M., and Figueiredo, G. K. D. A. (2024). Mapping integrated crop–livestock systems using fused sentinel-2 and planetscope time series and deep learning. Remote Sensing, 16(8).
Publicado
19/07/2026
Como Citar
MORENO, Clara L.; SOUZA, Vanessa C. O.; PAULA, Melise M. V.; VOLPATO, Margarete M. L.; ALVES, Helena M. R..
Deep Learning e Agricultura Digital: Avaliação de Arquiteturas para Mapeamento Automatizado de Café com Séries Temporais de Imagens Orbitais. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 17. , 2026, Gramado/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 108-117.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2026.22833.
