Muchos actores en la investigación agrícola, el desarrollo y las políticas requieren información precisa sobre la extensión espacial de las prácticas de cultivo y agricultura. Si bien la teledetección proporciona formas de obtener dicha información, a menudo es difícil distinguir entre diferentes tipos de prácticas agrícolas o identificar sistemas agrícolas particulares. El comportamiento estocástico del sistema o la similitud en las firmas espectrales de los diferentes componentes del sistema pueden llevar a una clasificación errónea. Abordamos este desafío utilizando un motor de razonamiento probabilístico informado por el conocimiento de expertos y datos de teledetección para mapear sistemas de agricultura basados en inundaciones (FBFS) en el condado de Kisumu en Kenia y la región de Tigray en Etiopía. La agricultura basada en inundaciones es una forma importante de producción agrícola empleada en regiones con excedente de agua estacional, que puede ser cosechado y utilizado para irrigar cultivos. Los entornos geográficos para FBFS varían ampliamente en términos de hidrología, vegetación y prácticas locales de inundación agronómica. El éxito agronómico a menudo es difícil de anticipar, porque el momento y la cantidad de inundación generalmente no pueden ser predichos con precisión. Generamos un modelo de red bayesiana para describir los entornos de FBFS de las regiones de estudio. Adquirimos tres años (2014-2016) de datos espectrales del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS) Terra como series temporales compuestas de ocho días y datos de elevación de la Misión de Radar de Topografía del Transbordador (SRTM) para calcular 10 métricas de datos espaciales correspondientes a 10 de los 17 nodos de la red bayesiana. Utilizamos las métricas de datos espaciales en un marco completamente probabilístico para generar los 10 nodos de datos espaciales. Luego utilizamos estos como entradas para el modelo probabilístico para generar estimaciones espaciales previas y posteriores para métricas específicas junto con sus incertidumbres espaciales explícitas. Mostramos cómo tal enfoque puede ser utilizado para predecir áreas plausibles para FBFS basadas en varios escenarios. Demostramos cómo se puede derivar información espacialmente explícita de los datos de teledetección como cuantificadores difusos para incorporar incertidumbres al mapear sistemas complejos. El enfoque logró un resultado notablemente preciso en ambas áreas de estudio, donde el 84-90% de los diversos campos de FBFS muestreados fueron correctamente mapeados como teniendo una alta probabilidad de ser adecuados para la práctica.