La información precisa y oportuna sobre los patrones de siembra de cultivos es crucial para la investigación sobre agricultura sostenible, recursos regionales y seguridad alimentaria. Sin embargo, los conjuntos de datos espaciales existentes tienen pocos mapas de patrones de siembra de alta precisión y amplio alcance. La producción puede estar limitada por la resolución espaciotemporal desequilibrada, datos insuficientes de muestras masivas en campo, baja velocidad de procesamiento de computadoras locales y otros factores. Para superar estas limitaciones, propusimos estrategias de expansión y migración espaciotemporal semiautomáticas para puntos de muestra y realizamos un algoritmo de bosque aleatorio basado en píxeles y fenología en la plataforma Google Earth Engine para generar mapas de patrones de siembra de cultivos a alta resolución espaciotemporal mediante la integración de datos de imágenes de series temporales de Landsat-8 y Sentinel-2. En este estudio, informamos mapas de patrones de siembra para 2017-2021 con una resolución espacial de 10 m de la Llanura de Jianghan, que incluyen seis cultivos y nueve patrones de siembra, con una precisión general del 84-94% y un coeficiente kappa de 0,80-0,93. La distribución espaciotemporal está impulsada por múltiples factores, como la subjetividad y la economía social. Esta investigación indica que el enfoque propuesto es efectivo para mapear patrones de siembra a gran escala y puede aplicarse fácilmente a otras regiones.