El monitoreo de la cobertura terrestre es crucial para entender las transformaciones del suelo a nivel global, regional y local, y el desarrollo de metodologías innovadoras es necesario para definir políticas adecuadas y prácticas de gestión del suelo. Las técnicas de aprendizaje profundo han demostrado recientemente ser un método útil para la cartografía de la cobertura terrestre a través de la clasificación de imágenes de teledetección. Esta investigación tiene como objetivo probar y comparar los modelos predictivos creados utilizando las redes neuronales convolucionales (CNN) VGG16, DenseNet121 y ResNet50 en datos satelitales multitemporales y de una sola fecha de Sentinel-2. El modelo más prometedor fue el VGG16 tanto con imágenes de una sola fecha como multitemporales, que alcanzó una precisión general del 71% y que se utilizó para producir un mapa de cobertura terrestre generado automáticamente conforme a EAGLE de Roma para 2019. La metodología es parte de las actividades de mapeo de tierras de ISPRA y explota sus principales productos como datos de entrada y soporte. En este sentido, es un primer intento de desarrollar una herramienta de clasificación de cobertura terrestre de alta frecuencia de actualización para áreas dinámicas que se integrará en el marco de las actividades de monitoreo de ISPRA para el territorio italiano.