El propósito de este estudio fue presentar una nueva estrategia basada en la fusión a nivel de decisión para modelar los residuos de cultivos. Para ello, se utilizó un conjunto de imágenes satelitales y datos de campo, incluyendo la Fracción de Cobertura de Residuos (RCF) de maíz, trigo y soja. En primer lugar, se evaluó la eficiencia de la Regresión por Bosques Aleatorios (RFR), la Regresión por Vectores de Soporte (SVR), las Redes Neuronales Artificiales (ANN) y la Regresión por Mínimos Cuadrados Parciales (PLSR) en el modelado de RCF. Además, para aumentar la precisión del modelado de RCF, se combinaron los resultados de diferentes algoritmos basados en su error de modelado, lo que se denomina estrategia de fusión basada en decisiones. El R2 (RMSE) entre el RCF real y el modelado basado en los algoritmos ANN, RFR, SVR y PLSR para maíz fueron 0.83 (3.89), 0.86 (3.25), 0.76 (4.56) y 0.75 (4.81%), respectivamente. Estos valores fueron 0.81 (4.86), 0.85 (4.22), 0.78 (5.45) y 0.74 (6.20%) para trigo y 0.81 (3.96), 0.83 (3.38), 0.76 (5.01) y 0.72 (5.65%) para soja, respectivamente. El error de estimación de RCF de maíz, trigo y soja utilizando la estrategia de fusión basada en decisiones se redujo en un 0.90, 0.96 y 0.99%, respectivamente. Los resultados mostraron que al implementar la estrategia de fusión basada en decisiones, la precisión del modelado de RCF mejoró significativamente.