Las variables biofísicas de la vegetación (VBV) son indicadores directos del crecimiento y productividad de los cultivos. Los sistemas de observación de la Tierra (EO–Earth observation) presentan oportunidades sin precedentes para el monitoreo de las variables biofísicas del trigo. Sentinel–2 (S2) es una constelación de satélites que forma parte de las misiones Sentinel del programa Copernicus de EO. El período de revisita, así como su resolución espacial y espectral, han convertido a S2 en un sistema de EO trascendental para el monitoreo de VBV. Los sistemas ópticos de EO se ven limitados con frecuencia por las condiciones climáticas tales como nubosidad o precipitaciones. En este sentido, la tecnología radar, presenta nuevas oportunidades para el monitoreo de VBV que deben explorarse en profundidad. Sentinel–1 (S1) es una constelación radar de la familia Sentinel. Debido a la complejidad de la interacción de la señal radar con las superficies cultivadas y al ruido aditivo inherente de speckle, la estimación de VBV con tecnología radar aún sigue siendo un desafío. El objetivo de esta tesis doctoral es desarrollar modelos de estimación de variables biofísicas del trigo, en una zona irrigada de cultivo intensivo al sureste de Argentina, basados en medidas in situ de la vegetación, a partir de: i) datos multiespectrales de S2; ii) datos radar de S1; y iii) la sinergia S1 & S2. Para abordar la problemática planteada, se desarrollaron en primer lugar, modelos de estimación del índice de área foliar, del contenido de clorofila de la cubierta vegetal y del contenido de agua del trigo, utilizando una base de datos multitemporal de VBV tomadas in situ, algoritmos de aprendizaje automático, una base de datos de espectros de reflectividad bidireccional de la vegetación simulados con un modelo de transferencia radiativa y datos multiespectrales de S2. Se obtuvieron modelos híbridos de estimación de estas VBV que se ajustaron con alta precisión a los datos de campo y se logró reconstruir con éxito la curva fenológica del cultivo de trigo. En segundo lugar, se implementó un modelo de estimación de LAI basado en datos radar de S1 adquiridos en diferentes geometrías de adquisición. Se probó que la estructura tridimensional de la vegetación cuando es observada desde ángulos de incidencia local diferentes proporciona información muy valiosa que puede ser utilizada para mejorar los modelos existentes. Por último, se desarrolló una estrategia de fusión de datos de S1 & S2 para reconstruir series temporales de VWC. Se aplicaron varios modelos de procesos Gaussianos de salidas múltiples para analizar la correlación cruzada existente, en el dominio de la frecuencia, entre los canales ópticos y radar. La combinación sinérgica de datos radar y ópticos mostró ser un novedoso enfoque para abordar el monitoreo de variables biofísicas del trigo en regiones intensamente cultivadas con frecuente nubosidad.