Con el avance de la inteligencia artificial, el aprendizaje profundo se ha vuelto fundamental en la clasificación de la cobertura del suelo. Si bien ha habido un notable énfasis en refinar las estructuras de los modelos para mejorar la precisión de la clasificación, es imperativo también enfatizar el papel crucial de las técnicas de optimización basadas en datos. Este artículo presenta una investigación en profundidad sobre la optimización de la clasificación de cobertura del suelo multicategoría utilizando imágenes multiespectrales de alta resolución de Worldview3. Exploramos varias estrategias de optimización, incluidas estrategias de muestreo refinadas, combinaciones de bandas de datos, funciones de pérdida y mejoras en el modelo. Nuestras optimizaciones llevaron a un aumento sustancial en la precisión de clasificación del Mean Intersection over Union (mIoU), mejorando de una línea base de 0.520 a una precisión final de 0.709, lo que representa una mejora del 35.2%. Específicamente, al optimizar la red de segmentación semántica clásica en cuatro aspectos clave, mejoramos el mIoU en un 15.5%. Otras mejoras a través de cambios en las combinaciones de datos, métodos de muestreo y funciones de pérdida llevaron a un aumento general del 17.2% en el mIoU. Los métodos de optimización del modelo propuestos permitieron que el OUNet superara al modelo base al proporcionar una detección de bordes y representación de características más precisas, mientras se reducía la escala de los parámetros del modelo. La evidencia experimental muestra que en la aplicación de la clasificación de la superficie terrestre multicategoría, aumentar la cantidad y diversidad de muestras, evitando problemas de desequilibrio de datos, es igualmente valioso para mejorar la precisión general de la clasificación como lo es para mejorar el rendimiento del modelo.