El mapeo preciso de cultivos es un requisito fundamental en varias aplicaciones agrícolas, como inventario, modelado de rendimiento y gestión de recursos. Sin embargo, es un desafío debido a las variabilidades espectrales, espaciales y temporales altas de los campos de cultivo. La nueva tecnología en sistemas de observación terrestre en el espacio ha proporcionado datos de imágenes de alta resolución espacial y temporal como una fuente valiosa de información, que puede producir mapas precisos de cultivos a través de enfoques analíticos eficientes. La información espacial tiene una gran importancia en el mapeo preciso de cultivos; una estrategia basada en ventanas es una forma común de extraer información espacial considerando información de vecindario. Sin embargo, los límites de los campos de cultivo existen implícitamente en los datos de imagen y pueden ser más útiles para identificar diferentes tipos de cultivos. Este estudio propone el Filtro Guiado Sparse Auto-Encoder (GFSAE) como un marco de aprendizaje profundo guiado implícitamente con información de límites de campo para producir mapas precisos de cultivos. El GFSAE propuesto fue evaluado en dos conjuntos de datos de series temporales de imágenes de alta resolución PlanetScope (3 m) y RapidEye (5 m), y los resultados se compararon con el Auto-Encoder Sparse (SAE) habitual. Los resultados muestran mejoras impresionantes en términos de todas las métricas de rendimiento para ambos conjuntos de datos (es decir, 3.69% en Precisión General, 0.04 en Kappa y 4.15% en Puntuación F para el conjunto de datos de PlanetScope, y 3.71% en PG, 0.05 en K y 1.61% en Puntuación F para el conjunto de datos de RapidEye). Comparar las métricas de precisión en áreas de límites de campo también ha demostrado la superioridad del GFSAE sobre el clasificador original en la clasificación de estas áreas. También es apropiado para ser utilizado en aplicaciones de delimitación de límites de campo.