Es de gran importancia identificar con precisión las áreas de siembra de soja para garantizar la producción agrícola e industrial. La imagen de satélite de alta resolución ha facilitado en gran medida la extracción efectiva de áreas de siembra de soja, pero se requieren métodos novedosos para mejorar aún más la precisión de identificación. Dos áreas de siembra típicas de las ciudades de Linhu y Baili en la provincia septentrional de Anhui, China, fueron seleccionadas para explorar el método de extracción preciso. Los datos de imagen Gaofen-1 (GF-1) multispectrales de 10 m y pancromáticos de 2 m se fusionaron primero para producir conjuntos de datos de entrenamiento, prueba y validación después de la estandarización min-max y el aumento de datos. Luego se adoptó el modelo de aprendizaje profundo U-Net para realizar la extracción precisa de áreas de siembra de soja. Se compararon y discutieron dos factores influyentes vitales en las precisiones del modelo U-Net, incluido el tamaño del cultivo y la época de entrenamiento. Específicamente, se compararon tres tamaños de cultivo de 128 x 128, 256 x 256 y 512 x 512 px, y 20, 40, 60, 80 y 100 épocas de entrenamiento para determinar óptimamente los valores de los dos parámetros. Para verificar el efecto de extracción del modelo U-Net, también se realizaron experimentos de comparación basados en SegNet y DeepLabv3+. Los resultados muestran que U-Net logra el más alto de 92.31% con una Intersección Media sobre Unión () de 81.35%, que es mayor que SegNet con una mejora de casi el 4% en y el 10% en . Además, el también se ha mejorado en un 8.89% en comparación con DeepLabv3+. Este estudio proporciona un enfoque efectivo y fácil de operar para derivar con precisión las áreas de siembra de soja a partir de imágenes satelitales.