La agricultura es la columna vertebral de la economía de Punjab, y dado que gran parte de la población de India depende de la agricultura, la necesidad de un monitoreo preciso y oportuno de la tierra se ha vuelto aún más crucial. La combinación de la teledetección con algoritmos de aprendizaje automático de vanguardia permite la clasificación detallada de tierras agrícolas a través de mapas temáticos, lo cual es crítico para el monitoreo de cultivos, la gestión de tierras y el desarrollo sostenible. Aquí, se creó y utilizó un modelo de Red Neuronal Profunda Hiperajustada (Hy-DNN) para la clasificación de uso y cobertura del suelo (LULC) en cuatro clases: tierras agrícolas, vegetación, cuerpos de agua y áreas construidas. La técnica utilizó datos multiespectrales de Sentinel-2 y Landsat-8, procesados en la plataforma Google Earth Engine (GEE). Para medir el rendimiento de la clasificación, se contrastó Hy-DNN con clasificadores tradicionales: Red Neuronal Convolucional (CNN), Bosque Aleatorio (RF), Árbol de Clasificación y Regresión (CART), Clasificador de Distancia Mínima (MDC) y Naive Bayes (NB), utilizando métricas de rendimiento que incluyen la precisión del productor y del consumidor, el coeficiente Kappa y la precisión general. Hy-DNN tuvo el mejor rendimiento, con una precisión general del 97.60% utilizando Sentinel-2 y del 91.10% utilizando Landsat-8, superando a todos los modelos base. Estos resultados destacan aún más la superioridad del Hy-DNN optimizado en la cartografía de tierras agrícolas y su potencial uso en el monitoreo de la salud de los cultivos, el diagnóstico de enfermedades y la planificación agrícola estratégica.