La extensión de los sistemas de cultivo único y múltiple en cualquier región, así como los posibles cambios en ellos, tiene consecuencias en la seguridad alimentaria y el uso de recursos de tierra y agua, planteando importantes preguntas de gestión. Sin embargo, abordar estas preguntas está limitado por la falta de datos fiables sobre las prácticas de cultivo múltiple a alta resolución espacial, especialmente en áreas con alta diversidad de cultivos. En este documento, desarrollamos y aplicamos un método relativamente de bajo costo y escalable para identificar el cultivo doble a escala de campo utilizando imágenes satelitales (Landsat). El proceso combina métodos de aprendizaje automático con etiquetado de expertos. El proceso evalúa múltiples métodos de aprendizaje automático, incluyendo una clasificación de imágenes de una serie temporal, entrenada con datos donde las etiquetas de intensidad de cultivo fueron creadas por expertos que están familiarizados con las prácticas de producción regionales. Demostramos el proceso midiendo la extensión del cultivo doble en una parte del estado de Washington en el noroeste del Pacífico de Estados Unidos, una región árida con inviernos fríos y veranos calurosos con una producción significativa de más de 60 tipos distintos de cultivos, incluyendo heno, frutas, verduras y granos en entornos de riego. Nuestros resultados indican que los métodos actuales más avanzados para identificar la intensidad de cultivo, que aplican umbrales basados en reglas más simples sobre índices de vegetación, no funcionan bien en regiones con alta diversidad de cultivos y probablemente sobreestiman significativamente la extensión del cultivo doble. Se aplicaron múltiples modelos de aprendizaje automático en datos de series temporales de índices de vegetación derivados de Landsat y pudieron desempeñarse mejor al capturar matices que los enfoques simples basados en reglas no pueden. En particular, nuestro modelo de aprendizaje profundo (basado en imágenes) pudo capturar matices en este entorno de alta diversidad de cultivos y lograr una alta precisión (96-99% de precisión general y 83-93% de precisión del productor para la clase de cultivo doble con un error estándar de menos del 2.5%) mientras también identificaba el cultivo doble en los tipos y ubicaciones de cultivos correctos basándose en el conocimiento de expertos. Nuestro proceso de etiquetado de expertos funcionó bien y tiene potencial como un enfoque relativamente de bajo costo y escalable para aplicaciones de teledetección. El producto desarrollado aquí es valioso para el monitoreo a largo plazo de la extensión del cultivo doble y para informar varias preguntas de política relacionadas con la producción de alimentos y el uso de recursos.