La humedad del suelo es un componente importante del ciclo hidrológico y del funcionamiento de los ecosistemas, y tiene un impacto significativo en la producción agrícola, el cambio climático y los desastres naturales. A pesar de la disponibilidad de técnicas de aprendizaje automático para estimar la humedad del suelo a partir de imágenes de teledetección de alta resolución, incluidos los datos de radar de apertura sintética (SAR) y la teledetección óptica, los estudios comparativos exhaustivos de estas técnicas siguen siendo limitados. Este artículo aborda esta brecha al comparar sistemáticamente el rendimiento de cuatro modelos de aprendizaje en conjunto basados en árboles (bosque aleatorio (RF), aumento extremo de gradiente (XGBoost), máquina de aumento de gradiente ligero (LightGBM) y aumento de categoría (CatBoost)) y tres modelos de aprendizaje profundo (red neuronal profunda (DNN), red neuronal convolucional (CNN) y unidad recurrente con compuertas (GRU)) en términos de estimación de la humedad del suelo. Además, introducimos y evaluamos la efectividad de cuatro métodos de apilamiento diferentes para la fusión de modelos, un enfoque que es relativamente novedoso en este contexto. Además, se utilizan datos SAR de polarización dual en banda C de Sentinel-1 y datos multiespectrales de Sentinel-2, así como características de código geográfico y código temporal, como variables de entrada para recuperar la humedad del suelo en la cuenca del río ShanDian en China. Nuestros hallazgos revelan que los modelos de aprendizaje en conjunto basados en árboles superan a los modelos de aprendizaje profundo, siendo LightGBM el mejor modelo individual, mientras que el enfoque de apilamiento puede mejorar aún más la precisión y robustez de la estimación de la humedad del suelo. Además, el modelo de aprendizaje en conjunto de todas las clases de aumento (SABM), que integra solo modelos de tipo aumento, demuestra una superior precisión y robustez en la estimación de la humedad del suelo. El análisis del valor SHAP revela que el aprendizaje en conjunto puede utilizar características más complejas que el aprendizaje profundo. Este estudio proporciona un método efectivo para recuperar la humedad del suelo utilizando aprendizaje automático y datos de teledetección de alta resolución, demostrando el valor de aplicación de los datos SAR y los datos de teledetección óptica de alta resolución en el monitoreo de la humedad del suelo.