La segmentación semántica del uso del suelo en imágenes satelitales de alta resolución espacial juega un papel vital en la gestión eficiente de los recursos terrestres, la agricultura inteligente, la estimación de rendimientos y la planificación urbana. Con el reciente avance en las tecnologías de teledetección, como satélites, drones, UAVs y vehículos aéreos, un gran número de imágenes satelitales de alta resolución están fácilmente disponibles. Sin embargo, estas imágenes satelitales de alta resolución son complejas debido al aumento de la resolución espacial y la interrupción de datos causada por diferentes factores involucrados en el proceso de adquisición. Debido a estos desafíos, es difícil diseñar y desarrollar un modelo eficiente de segmentación semántica del uso del suelo. En este artículo, desarrollamos un modelo híbrido de aprendizaje profundo que combina los beneficios de dos modelos profundos, es decir, DenseNet y U-Net. Esto se lleva a cabo para obtener una clasificación pixel a pixel del uso del suelo. La ruta de contracción de U-Net se reemplaza con DenseNet para extraer características de múltiples escalas, mientras que las conexiones de largo alcance de U-Net concatenan las rutas del codificador y el decodificador para preservar características de bajo nivel. Evaluamos la red híbrida propuesta en un conjunto de datos de referencia desafiante y de acceso público. A partir de los resultados experimentales, demostramos que la red híbrida propuesta exhibe un rendimiento de vanguardia y supera a otros modelos existentes por un margen considerable.