El monitoreo de la humedad del suelo y la caracterización de la variabilidad espacial y temporal de este parámetro hidrológico a escalas que van desde pequeñas cuencas hasta grandes cuencas fluviales continúa recibiendo mucha atención, reflejando su papel crítico en las interacciones subsuperficiales-suelo-atmósfera y su importancia para el análisis de sequías, la planificación de riego, la previsión de rendimientos de cultivos, la protección contra inundaciones y la prevención de incendios forestales. Los datos de Radar de Apertura Sintética (SAR) adquiridos a diferentes resoluciones espaciales se han utilizado con éxito para estimar la humedad del suelo en diferentes áreas semiáridas del mundo durante muchos años. Esta investigación investigó el potencial de regresiones lineales múltiples y modelos basados en Redes Neuronales Artificiales (ANN) que incorporan diferentes variables geofísicas con imágenes finas de Radarsat 1 SAR y mediciones de humedad del suelo medidas simultáneamente para estimar la humedad del suelo superficial en Nash Draw, NM. Se encontró que un modelo basado en redes neuronales artificiales con datos de densidad de vegetación, tipo de suelo y elevación como entrada, además de los valores de retrodispersión del radar, era adecuado para estimar la humedad del suelo superficial en esta área con una precisión razonable. Este modelo se aplicó a una serie temporal de datos SAR adquiridos en 2006 para producir datos de humedad del suelo que cubren una temporada húmeda normal en el sitio de estudio.