Las aplicaciones exitosas de aprendizaje automático para el análisis de imágenes de teledetección siguen siendo limitadas por la dificultad de diseñar redes neuronales manualmente. Sin embargo, mientras que el desarrollo de la búsqueda de arquitectura neuronal ofrece el potencial único de descubrir arquitecturas de red nuevas y más efectivas, los algoritmos existentes de búsqueda de arquitectura neuronal son métodos computacionalmente intensivos que requieren una gran cantidad de datos y recursos computacionales y, por lo tanto, son desafiantes de aplicar para desarrollar arquitecturas de red neuronal óptimas para la clasificación de imágenes de teledetección. Nuestro método propuesto utiliza un enfoque de búsqueda de arquitectura neuronal diferenciable para la clasificación de imágenes de teledetección. Utilizamos una estrategia de compuerta binaria para conexiones parciales de canales para reducir los tamaños de los parámetros de la red, creando un patrón de conexión disperso que reduce el consumo de memoria y los costos computacionales de NAS. Los resultados experimentales indican que nuestro método logra un aumento del 15,1% en la precisión de validación durante la fase de búsqueda en comparación con DDSAS, aunque ligeramente menor (en un 4,5%) que DARTS. Sin embargo, redujimos el tiempo de búsqueda en un 88% y el tamaño de los parámetros de la red en un 84% en comparación con DARTS. En la fase de evaluación de la arquitectura, nuestro método demuestra una mejora del 2,79% en la precisión de validación sobre una red CNN configurada manualmente.