La Reserva de Producción de Fauna Chimborazo (RPFCH) es un ecosistema de alto valor situado en los andes ecuatorianos, ocupado en su mayor parte por turberas, también llamados bofedales o peatlands. El objetivo de esta tesis es el estudio de dichos ecosistemas a partir de una extensa base de datos de campo obtenida en 2016 y usando datos de teledetección óptica y radar y variables topográficas, ambientales y climáticas con SIG. Para ello se analizaron los mejores métodos para el cartografiado de los peatlands en la RPFCH, la estimación del carbono bajo el suelo (COS) en la capa 0-30 cm y la estimación del carbono almacenado en la vegetación calculado a partir de la biomasa. Como resultado se obtuvo que, comparando Sentinel-2 con Landsat-8, el mejor método para el cartografiado se obtuvo clasificando con Random Forest y usando índices de vegetación con Sentinel-2, siendo SAVI y REDEDGE los índices de mayor importancia. Con ello se ha cartografiado los peatlands en la RPFCH y se ha estimado que el área ocupada por este ecosistema en 2017 fue de 23292 ha. Los datos de campo han mostrado una fuerte correlación entre la biomasa y el contenido en agua de la vegetación de la zona, siendo el contenido en agua 1,6 veces la biomasa, lo que es indicativo de una vegetación muy húmeda. En cuanto al carbono almacenado en la vegetación, y usando una extensa base de datos de campo de 320 puntos, se probaron 4 modelos de aprendizaje automático con diferentes combinaciones de variables y se obtuvo que el mejor método fue Gaussian Process Regression (GPR) con la mejor correlación de R2 = 0,76, siendo las variables más importantes, por orden, la elevación, la precipitación, la relación VV/VH de Sentinel-1, el índice NBRI y el LAI de Sentinel-2. Para la estimación de cambios temporales del carbono de la vegetación se propone un modelo adicional utilizando únicamente información obtenida de la imagen Sentinel-2. Con ello se cuantificó la pérdida de carbono almacenada por la vegetación del ecosistema entre los años 2017 y 2020 usando solo las bandas de Sentinel-2 y entrenando GPR con los datos de campo, estimando que la cantidad de carbono total de la vegetación fue de 71975 Mg en 2017 y pasó a 59362 Mg en 2020. Por otra parte, para estudiar el COS, a partir de 320 datos de campo se probaron también los mismos 4 modelos de aprendizaje automático con diferentes combinaciones de variables y se obtuvo que el mejor método fue GPR, mostrando la mejor correlación con R2 = 0,76, y las variables señaladas antes, con lo que se pudo estimar la cantidad de carbono y que las mejores variables por orden de importancia fueron: la elevación, usos de suelo, temperatura, distancia a ríos, REDEDGE de Sentinel-2 y el band ratio del promedio (VH/VV) de Sentinel-1. Con ello se elaboró el mapa de COS del bofedal de la RPFCH y se calculó el carbono total en la capa de 30 cm de suelo, resultando ser de 13639407 Mg, mostrando la importancia de este ecosistema en cuanto a su capacidad de almacenamiento de carbono.The Chimborazo Fauna Production Reserve (RPFCH) is a high-value ecosystem located in the Ecuadorian Andes, occupied mostly by peatlands, also called bofedales. The objective of this thesis is the study of these ecosystems from an extensive field database obtained in 2016 and using optical and radar remote sensing data and topographic, environmental and climatic variables with GIS. To this end, the best methods for mapping peatlands in the RPFCH, the estimation of carbon below the ground (SOC) in the 0-30 cm layer and the estimation of carbon stored in the vegetation calculated from biomass were analyzed. As a result, it was obtained that, comparing Sentinel-2 with Landsat-8, the best method for mapping was obtained by classifying with Random Forest and using vegetation indices with Sentinel-2, with SAVI and REDEDGE being the most important indices. With this, the peatlands in the RPFCH have been mapped and it has been estimated that the area occupied by this ecosystem in 2017 was 23,292 ha. Field data have shown a strong correlation between the biomass and the water content of the vegetation in the area, with the water content being 1.6 times the biomass, which is indicative of a very wet vegetation. Regarding the carbon stored in the vegetation, and using an extensive field database of 320 points, 4 machine learning models were tested with different combinations of variables and it was found that the best method was Gaussian Process Regression (GPR) with the best correlation of R2 = 0.76, with the most important variables, in order, being elevation, precipitation, Sentinel-1 VV/VH ratio, Sentinel-2 NBRI and LAI. For the estimation of temporary changes in vegetation carbon, an additional model is proposed using only information obtained from the Sentinel-2 image. With this, the loss of carbon stored by the vegetation of the ecosystem between the years 2017 and 2020 was quantified using only the Sentinel-2 bands and training GPR with the field data, estimating that the total amount of carbon of the vegetation was 71975 Mg in 2017 and went to 59362 Mg in 2020. On the other hand, to study the COS, from 320 field data, the same 4 machine learning models were also tested with different combinations of variables and it was obtained that the best method was GPR, showing the best correlation with R2 = 0, 76, and the variables indicated before, with which the amount of carbon could be estimated and that the best variables in order of importance were: elevation, land use, temperature, distance to rivers, REDEDGE of Sentinel-2 and the band average ratio (VH/VV) of Sentinel-1. With this, the SOC map of the bofedal of the RPFCH was elaborated and the total carbon in the 30 cm layer of soil was calculated, resulting in 13639407 Mg, showing the importance of this ecosystem in terms of its carbon storage capacity.