Los asentamientos rurales representan el 45% de la población mundial y son lugares objetivo para la erradicación de la pobreza. Sin embargo, en comparación con las huellas urbanas, la distribución de los asentamientos rurales no está bien caracterizada en la mayoría de los mapas de uso del suelo y cobertura terrestre existentes debido a su organización dispersa y fragmentada y a su relativa estabilidad a lo largo del tiempo. En este estudio, propusimos un método basado en píxeles y objetos para mapear asentamientos rurales empleando información espectral-textural-temporal de series temporales de Landsat y Sentinel. Se calcularon índices espectrales (índice de vegetación de diferencia normalizada máximo (NDVI) e índice de diferencia normalizada de construcción mínimo (composición NDBI)) e índices de textura (polarización vertical de transmisión y recepción (VV) del compuesto de radar de apertura sintética (SAR) medio) a partir de todos los datos disponibles de Landsat y Sentinel-1A desde el 1 de enero de 2016 hasta el 31 de diciembre de 2018. Estas características se apilaron para la segmentación con el fin de extraer objetos potenciales de asentamientos rurales. Para diferenciar mejor los asentamientos del suelo desnudo, se utilizó el gradiente del NDVI máximo anual (es decir, el gradiente de cambio, usando gradiente por simplicidad) desde el 1 de enero de 1987 hasta el 31 de diciembre de 2018. Las muestras de entrenamiento rurales se seleccionaron de productos de huella urbana global (GUF) con un proceso de filtrado posterior para eliminar el ruido de las muestras. Se delinearon diagramas de dispersión entre los valores basados en píxeles y objetos por característica mediante elipses de distribución t para determinar los umbrales. Finalmente, se aplicaron umbrales basados en píxeles y objetos a cuatro características (NDVI, NDBI, VV, gradiente) en Google Earth Engine (GEE) para obtener la distribución de asentamientos rurales en ocho regiones asiáticas seleccionadas. Los mapas derivados de asentamientos rurales mostraron una precisión consistente, con una precisión del productor (PA) de 0.87, una precisión del usuario (UA) de 0.93 y una precisión general (OA) que alcanzó el 90% en diferentes condiciones de paisaje, lo que es mejor que los productos de cobertura terrestre existentes.