Se han desarrollado varios sistemas para procesar datos de tierras agrícolas para un mejor manejo de la producción de cultivos. Uno de estos sistemas es la Capa de Datos de Tierras de Cultivo (CDL), producida por el Servicio de Estadísticas Agrícolas Nacionales del Departamento de Agricultura de los Estados Unidos (USDA). La CDL ha sido ampliamente utilizada para entrenar modelos de segmentación de aprendizaje profundo (DL). Sin embargo, contiene varios errores, como ruido de sal y pimienta, y debe ser refinada antes de ser utilizada en el entrenamiento de DL. En este estudio, utilizamos dos enfoques para refinar la CDL para la segmentación de DL de cultivos principales a partir de una serie temporal de imágenes compuestas mensuales de Sentinel-2. En primer lugar, se utilizaron diferentes intervalos de confianza de la capa de confianza para refinar la CDL. En segundo lugar, se emplearon varios filtros de imagen para mejorar la calidad de los datos. Las CDL refinadas se utilizaron luego como verdad de referencia en el entrenamiento y evaluación de segmentación de DL. Los resultados demuestran que la CDL con intervalos de confianza del +45% y +55% produjeron los mejores resultados, mejorando la precisión de la segmentación de DL en aproximadamente un 1% en comparación con los datos no refinados. Además, filtrar la CDL utilizando los filtros de mayoría y expandir-reducir produjo el mejor rendimiento, mejorando las métricas de evaluación en aproximadamente un 1.5%. Los hallazgos sugieren que prefiltrar la CDL y seleccionar un intervalo de confianza efectivo puede mejorar significativamente el rendimiento de la segmentación de DL, contribuyendo a un monitoreo agrícola más preciso y confiable.