La información sobre el tipo de cultivo a nivel de campo es vital para muchos tipos de investigaciones y aplicaciones. El Departamento de Agricultura de los Estados Unidos (USDA) proporciona información sobre los tipos de cultivo para las tierras de cultivo de EE. UU. como Capa de Datos de Tierras de Cultivo (CDL). Sin embargo, la CDL solo está disponible al final del año después de la temporada de crecimiento de los cultivos. Por lo tanto, la CDL no puede apoyar la investigación y la toma de decisiones en temporada en cuanto a la estimación de pérdidas de cultivos, la estimación de rendimiento y la fijación de precios de granos. El USDA se basa principalmente en encuestas de campo e informes de los agricultores para la verdad terrestre para entrenar modelos de clasificación de imágenes, lo que es una de las principales razones del retraso en la liberación de la CDL. Este estudio tiene como objetivo utilizar píxeles de confianza como verdad terrestre para entrenar modelos de clasificación. Los píxeles de confianza son píxeles que siguen un patrón específico de rotación de cultivos. Estos píxeles de confianza se utilizan para entrenar modelos de clasificación de imágenes para la clasificación de imágenes Landsat en temporada para identificar los principales tipos de cultivos. Se investigan y prueban seis algoritmos de clasificación diferentes para seleccionar el mejor algoritmo para este estudio. El algoritmo de Bosques Aleatorios destaca entre los algoritmos seleccionados. Este estudio clasificó escenas Landsat entre mayo y mediados de agosto para Iowa. Los acuerdos generales de los resultados de clasificación con la CDL en 2017 son del 84%, 94% y 96% para mayo, junio y julio, respectivamente. Las precisiones de clasificación se han evaluado a través de 683 puntos de datos de verdad terrestre recopilados de los campos. Las precisiones generales de la clasificación de imágenes de una sola fecha y de varias bandas son del 84%, 89% y 92% para mayo, junio y julio, respectivamente. El resultado también muestra que se puede lograr una precisión más alta (94-95%) a través de la clasificación de imágenes de múltiples fechas en comparación con la clasificación de imágenes de una sola fecha.