El uso sostenible de la tierra agrícola depende de la identificación precisa de recursos de tierras cultivadas reservadas prometedoras, particularmente en regiones con patrones espaciales fragmentados y condiciones ambientales complejas. Los métodos de evaluación tradicionales a menudo se basan en indicadores limitados y descuidan la morfología de los parches, lo que lleva a una precisión y aplicabilidad restringidas. Para abordar este problema, se propone un marco innovador de selección inteligente que integra la evaluación de datos de múltiples fuentes con la verificación de la morfología de los parches y emplea redes neuronales convolucionales (CNN), aplicado en la provincia de Qinghai, China. El marco combina modelos de CNN unidimensionales y bidimensionales, incorporando 11 indicadores clave, incluyendo pendiente, condiciones de riego y contigüidad, junto con la morfología de los parches para predecir la prioridad de desarrollo. Los resultados muestran que los dos modelos logran precisiones predictivas del 98.48% y 91.95%, respectivamente, superando el tradicional Proceso de Análisis Jerárquico (AHP) y filtrando efectivamente parches irregulares no aptos para el cultivo. Un análisis adicional de SHAP y experimentos de ablación revelan las contribuciones de indicadores individuales, siendo la pendiente identificada como el factor dominante en la priorización. En general, el estudio demuestra que la integración de la evaluación de datos de múltiples fuentes con la verificación de la morfología de los parches dentro de un marco de aprendizaje automático mejora significativamente la precisión de la priorización. El marco propuesto proporciona un camino transferible y basado en evidencia para la utilización graduada de los recursos de tierras cultivadas reservadas y el refuerzo de las estrategias de seguridad agrícola.