La aplicación del aprendizaje profundo, específicamente de las redes neuronales convolucionales profundas (DCNN), a la clasificación de imágenes obtenidas por teledetección de paisajes naturales tiene el potencial de ayudar enormemente en el análisis e interpretación de procesos geomórficos. Sin embargo, la utilidad general del aprendizaje profundo aplicado a imágenes fotográficas convencionales a escala de paisaje aún está en gran medida sin probar. Si la clasificación de imágenes basada en DCNN va a ganar una aplicación y aceptación más amplias dentro de la comunidad de geociencias, los éxitos demostrables deben ir acompañados de herramientas accesibles para reentrenar redes neuronales profundas para discriminar formas de terreno y usos del suelo en imágenes de paisaje. Aquí, presentamos un enfoque eficiente para entrenar/aplicar DCNN con/sobre conjuntos de imágenes fotográficas, utilizando un poderoso método gráfico llamado campo aleatorio condicional (CRF), para generar datos de entrenamiento y prueba de DCNN utilizando una supervisión manual mínima. Aplicamos el método a varios conjuntos de imágenes de paisajes naturales, adquiridas de satélites, aviones, vehículos aéreos no tripulados e instalaciones de cámaras fijas. Sintetizamos nuestros hallazgos para examinar la efectividad general del aprendizaje por transferencia en la clasificación de imágenes a escala de paisaje. Finalmente, mostramos cómo las predicciones de DCNN en pequeñas regiones de imágenes podrían usarse junto con un CRF para una clasificación de imágenes a nivel de píxel altamente precisa.