Este trabajo aborda el problema de la estimación en línea del perfil vertical del viento en una ubicación dada. Específicamente, los componentes norte y este del viento se estiman continuamente como funciones del tiempo y la altitud en dos puntos de referencia utilizados para el aterrizaje en el aeropuerto Adolfo Suárez Madrid-Barajas. Se realiza un pronóstico continuo del perfil del viento en el que las observaciones del viento se derivan de los estados de la aeronave y se asimilan en el modelo. Es bien sabido que el viento es uno de los principales contribuyentes a las incertidumbres en el paradigma actual y futuro de la Gestión del Tráfico Aéreo. La información precisa sobre el viento es clave en las operaciones de ascenso y descenso continuo, espaciamiento, operaciones basadas en trayectorias en cuatro dimensiones y estudios de rendimiento de aeronaves, entre otros. En este trabajo, los datos del viento se obtienen indirectamente de los estados de la aeronave transmitidos por los sistemas de vigilancia de aeronaves Mode S y ADS-B. La regresión de procesos gaussianos se adapta a este marco y se utiliza para resolver el problema. El método presentado permite construir un perfil de viento vectorial completo en cualquier posición específica que sea continuo en el tiempo y la altitud; es decir, no hay necesidad de puntos de cuadrícula y discretización temporal. La regresión de procesos gaussianos es un estimador muy flexible que es estadísticamente consistente bajo condiciones generales, lo que significa que converge a la verdad subyacente a medida que se dispensa más y más datos. Además, el enfoque de regresión de procesos gaussianos proporciona toda la distribución de probabilidad de cualquier estimación particular, permitiendo que los intervalos de confianza se calculen de manera natural. En el caso de estudio presentado en este artículo, en el que el viento se estima constantemente, el modelo de regresión de procesos gaussianos se actualiza iterativamente cada 15 minutos para capturar posibles cambios en el comportamiento del viento y dar una estimación del perfil del viento cada media hora. El método ha sido validado utilizando un conjunto de datos de prueba, logrando una reducción del 50% de la incertidumbre de predicción en comparación con un modelo base. Además, se implementan dos estimadores de perfil de viento populares basados en el filtro de Kalman para fines de comparación. El filtro de Kalman supera al modelo base, pero no supera a la regresión de procesos gaussianos con errores superiores en alrededor del 35%, en comparación. Los resultados obtenidos muestran que la regresión de procesos gaussianos de datos derivados de aeronaves pronostica de manera confiable el estado del viento, lo cual es clave en la Gestión del Tráfico Aéreo.