A influência das variações sazonais na classificação da cobertura do terreno utilizando imagens de satélite é cada vez mais reconhecida. O volume crescente de dados captados em diferentes alturas do ano realça a complexidade dinâmica das condições ambientais ao longo do tempo. Estas variações sazonais introduzem nuances nos padrões atmosféricos e de ocupação do solo, desempenhando um papel crucial na precisão da classificação do solo. Esta dissertação investiga o impacto destas nuances, incluindo as alterações atmosféricas e da ocupação do solo, no desempenho dos modelos de Redes Neuronais Convolucionais desenvolvidos para o efeito. Para isso, os modelos CNN foram avaliados e comparados utilizando imagens de satélite capturadas durante o verão e o inverno. Adicionalmente, estudou--se o efeito da combinação destes dados no desempenho global dos modelos. Os resultados obtidos indicam que as estações do ano exercem uma influência significativa na classificação da ocupação do solo utilizando modelos CNN, com variações notáveis entre as diferentes estações. Além disso, observou-se que a integração de dados multi-sazonais conduziu a uma melhoria substancial do desempenho do modelo. Apesar dos resultados promissores, a escassez de dados etiquetados representou um desafio considerável no desenvolvimento destes modelos. Em resumo, o estudo concluiu que a incorporação de informações sazonais permite melhorar a precisão da classificação da ocupação do solo. Além disso, esta investigação não só contribui para a compreensão de como a sazonalidade afeta a classificação, mas também abre caminhos para estudos futuros e aperfeiçoamentos nas técnicas de classificação da ocupação do solo baseadas em imagens de satélite.