Este estudio aborda los desafíos de las características redundantes de identificación de cultivos y la baja eficiencia computacional en entornos agrícolas complejos, especialmente en regiones áridas. Enfocándonos en la región de Hexi de la provincia de Gansu, utilizamos Google Earth Engine (GEE) para integrar imágenes ópticas del Sentinel-2 (10 bandas) y datos de radar del Sentinel-1 (polarización VV/VH), construyendo un conjunto de 96 características que comprende variables espectrales, índices de vegetación, bordes rojos y textura. Se empleó el algoritmo de eliminación de características recursivas de bosque aleatorio (RF-RFE) para la selección de características y la optimización del modelo. Los hallazgos clave incluyen: (1) Las variables impulsadas por la diferenciación espacio-temporal fueron seleccionadas de manera efectiva, con bandas de borde rojo (B5-B7) durante la etapa de llenado de granos en agosto representando el 56.7% de las 30 mejores características, que estaban estrechamente correlacionadas con el contenido de clorofila del dosel ( < 0.01). (2) Se logró un avance en la modelización ligera, reduciendo el número de características en un 69%, mejorando la eficiencia computacional en un 62.5% (de 8 h a 3 h) y disminuyendo el uso de memoria en un 66.7% (de 12 GB a 4 GB), manteniendo la precisión de clasificación (PA: 97.69%, UA: 97.20%, Kappa: 0.89). (3) La fusión de datos de múltiples fuentes mejoró la precisión en un 11.54% en comparación con los esquemas solo ópticos, demostrando el papel compensatorio del radar en regiones áridas y nubladas. Este estudio ofrece un marco ligero, interpretable y transferible para el monitoreo preciso de cultivos en zonas áridas.