El mapeo preciso de parcelas agrícolas es esencial para la seguridad alimentaria y la gestión sostenible de la tierra en África árida, sin embargo, sigue siendo un desafío en Egipto debido al desenfoque de los bordes, la confusión espectral y los campos fragmentados en imágenes de resolución media. Se propone un novedoso método de aprendizaje profundo de doble codificador que integra atención axial a múltiples escalas y restricciones de contorno (MAA-BCNet) para la extracción precisa de tierras agrícolas en Egipto a partir de imágenes multiespectrales de Sentinel-2. Se diseña un codificador de doble vía para fusionar texturas locales basadas en CNN con una rama global RMT utilizando atención de decaimiento espacial para la extracción de características complementarias. Se introduce un módulo de atención axial a múltiples escalas para capturar estructuras de parcelas anisotrópicas para una mejor discriminación espectral-espacial, y se desarrolla un módulo de mejora de bordes de gradiente multidireccional para preservar explícitamente la integridad de los bordes. Se emplea un decodificador U-Net++ para una agregación densa a múltiples escalas. Los resultados experimentales en Egipto demuestran que MAA-BCNet logra un rendimiento superior en la delimitación de parcelas agrícolas, particularmente para tierras agrícolas irregulares o fragmentadas con paisajes complejos y bordes difusos. En comparación con los modelos de segmentación ampliamente utilizados como DeepLabV3_plus, PSPnet, Link_net, FCN_resnet101 y U-Net++ bajo las mismas configuraciones de entrenamiento y evaluación, nuestro modelo tiene el mejor rendimiento, con Recall, Precisión, IoU y F1-Score alcanzando 94.92%, 90.77%, 86.57% y 92.80%, respectivamente. Estos avances hacen que MAA-BCNet sea adecuado para el mapeo de tierras agrícolas de grandes áreas de Egipto, con aplicaciones en agricultura de precisión y gestión sostenible de la tierra.