La descomposición polarimétrica extrae características de dispersión que son indicativas de las características físicas del objetivo. En este estudio, se probaron tres métodos de descomposición polarimétrica para la estimación de la humedad del suelo en campos agrícolas utilizando algoritmos de aprendizaje automático. Las características extraídas de las descomposiciones basadas en modelos de Freeman-Durden, en valores y vectores propios de H/A/alfa, y de Van Zyl se utilizaron como entradas en algoritmos de regresión de bosques aleatorios y redes neuronales. Estos algoritmos se aplicaron para recuperar la humedad del suelo en campos de soja, trigo y maíz. Se utilizó una serie temporal de datos polarimétricos de Radar de Apertura Sintética de Vehículos Aéreos No Tripulados (UAVSAR) adquiridos durante la campaña de campo Soil Moisture Active Passive Experiment 2012 (SMAPVEX12) para el entrenamiento y validación de los algoritmos. Se probaron tres métodos de selección de características para determinar las mejores características de entrada para los algoritmos de aprendizaje automático. Las estimaciones de humedad del suelo más precisas se derivaron del algoritmo de regresión de bosques aleatorios para la soja, con una correlación de determinación (R) de 0.86, error cuadrático medio (RMSE) de 0.041 m y error absoluto medio (MAE) de 0.030 m. La selección de características también afectó los resultados. Algunas características como la anisotropía, la transmisión horizontal y la recepción horizontal (HH), y los parámetros de rugosidad de la superficie (longitud de correlación y RMS-H) tuvieron un efecto directo en la mejora del rendimiento de todos los algoritmos, ya que estos parámetros tienen un impacto directo en la señal retrodispersada.