Este estudio desarrolla una aplicación automatizada de detección del crecimiento de cultivos, con la funcionalidad de acceder a los datos catastrales del campo objetivo, que se utilizaría para una encuesta de campo basada en imágenes de satélite. Se recopilaron un total de 735 registros de verdad de terreno de las áreas de cultivo de repollo en Yunlin a través de la aplicación implementada para entrenar un modelo de aprendizaje profundo para hacer predicciones precisas de las etapas de crecimiento del repollo de 0 a 70 días. Se realizó un análisis de regresión mediante la técnica de árbol de decisión de aumento de gradiente (GBDT). El modelo fue entrenado con imágenes de satélite multitemporales multiespectrales, que se obtuvieron de los datos de verdad de terreno. Los resultados experimentales muestran que el error promedio medio de las predicciones es de 8.17 días, y que el 75% de las predicciones tienen errores inferiores a 11 días. Además, el algoritmo GBDT también se utilizó para el análisis de clasificación. Después de la siembra, las etapas de crecimiento del repollo se pueden dividir en las etapas de formación de cogollos, inicio temprano de la cabeza y madurez. Para cada etapa, la tasa de captura de predicción es de 0.73, 0.51 y 0.74, respectivamente. Si los días de crecimiento de los repollos se dividen en dos grupos, la tasa de captura de predicción para 0-40 días es del 0.83 y para 40-70 días es del 0.76. Por lo tanto, mediante la aplicación de técnicas adecuadas de minería de datos, junto con imágenes de satélite multitemporales multiespectrales, el método propuesto puede predecir automáticamente las etapas de crecimiento del repollo, lo que puede ayudar al departamento de agricultura gubernamental a hacer predicciones de rendimiento de repollo al crear medidas de precaución para hacer frente al desequilibrio entre la producción y las ventas cuando sea necesario.