Accurate　crop　type　classification　remains　challenged　by　dependence　on　ground-based　samples　and　the　presence　of　‘salt-and-pepper’　noise.　This　study　presented　a　hierarchical　parcel-level　classification　framework　for　multi-crop　mapping,　integrating　the　boundary-field　interaction　network　(BFINet),　the　Red　Edge　Maize-Cotton　Index　(RMCI),　and　a　random　forest　(RF)　classifier.　BFINet　enables　precise　delineation　of　agricultural　field　boundaries,　reducing　the　influence　of　non-cropland　areas　and　minimizing　pixel-level　noise.　RMCI　is　a　new　spectral　index　designing　for　maize　and　cotton　classification.　The　RF　classifier　is　used　to　separate　cropland　into　dominant　crops　and　minor　crops,　and　subsequently　to　classify　the　minor　crops　into　different　crops.　Applied　to　2023　Sentinel-2　imagery　in　the　Ebinur　Lake　Basin　(ELB),　the　framework　produced　the　region＇s　first　detailed　crop　type　map.　BFINet　delineated　agricultural　parcels　in　ELB　with　IOU　of　82.3　%　and　OA　of　87.8　%.　RMCI　achieved　an　overall　accuracy　(OA)　of　98.6　%　for　maize–cotton　separation,　outperforming　RF　classifier　(98.4　%).　For　minor　crops,　the　RF　model　attained　an　OA　of　92.3　%.　Compared　to　directly　using　standalone　RF　approach,　The　hierarchical　framework　outperformed　the　standalone　RF　classifier　in　classifying　all　crop　types　in　the　ELB　with　F1　for　cotton　(99.04　%　vs.　87.28　%),　maize　(97.44　%　vs.　96.22　%),　wheat–maize　(88.2　%　vs.　82.0　%),　grape　(92.7　%　vs.　89.0　%),　and　zucchini　(94.4　%　vs.75.6　%).　This　framework　offers　a　scalable　and　accurate　solution　for　crop　mapping　in　complex　agricultural　landscapes　of　arid　regions.　©　2025