O modelo de café utiliza técnicas de aprendizado profundo supervisionado, especialmente redes neurais convolucionais, para identificar automaticamente lavouras de café em imagens dos satélites Sentinel-2 e PlanetScope. Por se tratar de um método supervisionado, o treinamento do modelo exigiu anotações de referência, obtidas a partir de dados fornecidos pela EMATER e pela CONAB. Considerando que o café é uma cultura perene, foi possível explorar uma abordagem de inferência temporal com imagens de 2020 a 2024, permitindo analisar seu comportamento ao longo do tempo, incluindo práticas de manejo e poda. Essa estratégia aprimorou a capacidade do modelo de distinguir áreas de café de outros usos da terra com assinaturas espectrais semelhantes, mas com fenologia distinta.

Para o mapeamento do arroz, foi desenvolvido um modelo que combina redes neurais profundas com técnicas clássicas de aprendizado de máquina, como o XGBoost. O treinamento foi realizado a partir de anotações extraídas do banco de dados SICOR (Sistema de Informações do Crédito Rural e Proagro), fornecido pelo Banco Central, além de dados complementares disponibilizados pela CONAB. Por se tratar de uma cultura temporária e com comportamento espectral muito semelhante ao de outras culturas, como milho e soja, foi necessário incorporar informações temporais e considerar os calendários agrícolas, identificando as janelas de plantio e colheita.

Nesse contexto, foram elaborados modelos capazes de detectar diferentes estágios do cultivo ao longo dos meses, incluindo a preparação do solo, o desenvolvimento do arroz em fase madura e a situação da terra após a colheita. Dessa forma, apenas as predições que capturaram todo o ciclo produtivo do arroz dentro da janela prevista no calendário agrícola foram consideradas válidas para o mapeamento final.