Los algoritmos de segmentación semántica que aprovechan redes neuronales convolucionales profundas a menudo enfrentan desafíos debido a sus extensos parámetros, alta complejidad computacional y ejecución lenta. Para abordar estos problemas, presentamos un modelo de red de segmentación semántica que enfatiza la generación rápida de características redundantes y la agregación espacial multinivel. Este modelo aplica transformaciones lineales rentables en lugar de operaciones de convolución estándar durante la generación del mapa de características, gestionando eficazmente el uso de memoria y reduciendo la complejidad computacional. Para mejorar la capacidad de representación de los mapas de características después de la transformación lineal, se implementa un mecanismo de doble atención específicamente diseñado, mejorando la capacidad del modelo para comprender semánticamente la información de imagen local y global. Además, el modelo integra autoatención dispersa con estrategias contextuales multinivel, combinando eficazmente características en diferentes escalas y extensiones espaciales. Este enfoque optimiza la eficiencia computacional y conserva información crucial, permitiendo una segmentación precisa y rápida de imágenes. Para evaluar el rendimiento de segmentación del modelo, realizamos experimentos en la ciudad de Changge, provincia de Henan, utilizando conjuntos de datos como LoveDA, PASCAL VOC, LandCoverNet y DroneDeploy. Estos experimentos demostraron el excelente rendimiento del modelo en conjuntos de datos públicos de teledetección, reduciendo significativamente el recuento de parámetros y la complejidad computacional mientras mantiene una alta precisión en tareas de segmentación. Este avance ofrece beneficios técnicos sustanciales para aplicaciones en agricultura y silvicultura, incluida la clasificación de cobertura terrestre y el monitoreo de la salud de los cultivos, subrayando así el potencial del modelo para apoyar de manera efectiva a estos sectores críticos.