Представлены результаты исследований по классификации и картографированию сельскохозяйственных культур с помощью машинного обучения (МО) с использованием данных дистанционного зондирования. Исследования проведены в 2022, 2023 гг. на территории землепользования хозяйств, расположенных в Новосибирской области. Использованы изображения, полученные с Sentinel-2 и Landsat 8-9. Признаками для обучения моделей МО выступали шесть спектральных полос и пять вегетационных индексов за разные даты вегетационных периодов. Применяли алгоритмы МО с контролируемым обучением: XGBoost, KNN, RF и SVM, а также нейронную сеть deep-FNN. Модели XGBoost, KNN и RF показали высокую точность классификации – 93–97% при разрешении 30 м/пиксель и 80–90% при разрешении 90 м/пиксель. Модель deep-FNN показала наименьшие результаты с точностью от 78 до 92% при разрешении 30 м/пиксель. Общее снижение точности на 8–12% при разрешении 90 м/пиксель в сравнении с разрешением 30 м/пиксель подчеркивает важность масштаба для эффективного распознавания культур. Также обучение моделей на объединенных данных спутников Sentinel-2 и Landsat 8-9 при разрешении 30 м/пиксель дало более высокие значения метрики F1-score, чем на данных отдельно по каждому из этих спутников. Различные метрики оценки (F1-score и ROC-AUCscore) подтвердили, что модель XGBoost была наиболее производительной и точной. Лучшая общая классификация достигнута для кукурузы, ячменя, однолетних и многолетних трав, а также залежи, с некоторым снижением точности для овса, гороха, вики и пшеницы мягкой озимой. Наименьшая точность отмечена при классификации картофеля, ярового рапса, пшеницы мягкой яровой и пара. Результаты исследований подчеркивают значимость выбора модели МО и масштаба разрешения спутниковых снимков для успешной классификации сельскохозяйственных культур.