Para áreas grandes, es difícil evaluar la distribución espacial y la variación interanual de las superficies cultivadas a través de encuestas de campo. Sin embargo, dicha información es de gran valor para los gobiernos, los gestores de tierras, las autoridades de planificación, los comerciantes de productos básicos y los científicos ambientales. Las series temporales de imágenes de resolución gruesa ofrecen la ventaja de una cobertura global a bajo costo, y por lo tanto son adecuadas para la cartografía de tipos de cultivos a gran escala. Sin embargo, debido a su baja resolución espacial, se debe abordar el problema de los píxeles mixtos. Los enfoques de clasificación tradicional no pueden aplicarse debido a la heterogeneidad subpíxel. Evaluamos las redes neuronales como una herramienta de modelado para la estimación de superficies cultivadas subpíxel. La metodología propuesta se basa en la suposición de que diferentes proporciones de tipos de cobertura dentro de píxeles gruesos provocan cambios en los perfiles temporales de índices de vegetación detectados por remoto, como el Índice de Vegetación de Diferencia Normalizada (NDVI). Las redes neuronales pueden aprender la relación entre las firmas temporales de NDVI y la información de superficie cultivada buscada. Este paso de aprendizaje permite una desconstrucción no lineal de la información temporal proporcionada por sensores satelitales de resolución gruesa. Para evaluar la viabilidad y precisión del enfoque, se seleccionó una región de estudio en el centro de Italia (Toscana). La tarea consistió en mapear la distribución espacial de las abundancias de cultivos de invierno dentro de píxeles de 1 km de AVHRR entre 1988 y 2001. La información de superficie cultivada de referencia para el entrenamiento y validación de la red se derivó de imágenes de alta resolución del Thematic Mapper/Enhanced Thematic Mapper (TM/ETM+) y estadísticas agrícolas oficiales. Se obtuvieron resultados alentadores que demostraron el potencial del enfoque propuesto. Por ejemplo, la distribución espacial de la superficie cultivada de cultivos de invierno a nivel subpíxel se mapeó con un coeficiente de determinación validado cruzadamente de 0.8 con respecto a la información de referencia de imágenes de alta resolución. Durante los ocho años para los cuales se disponía de información de referencia, el error cuadrático medio (RMSE) de la superficie cultivada de cultivos de invierno a nivel subpíxel fue del 10%. Cuando se combina con sensores actuales y futuros, como MODIS y Sentinel-3, la desconstrucción de datos de AVHRR puede ayudar en la construcción de una serie temporal extendida de distribuciones de cultivos y patrones de cultivo que se remontan a los años 80.