El monitoreo continuo de la vegetación es esencial para predecir variedades de cultivos y rendimientos; sin embargo, los datos ópticos de satélites suelen estar indisponibles debido a la cobertura de nubes. Para superar esta limitación, este estudio propone un método para generar imágenes de pseudo-NDVI (Índice de Vegetación de Diferencia Normalizada) a partir de RVI (Índice de Vegetación de Radar) derivado de datos de Radar de Apertura Sintética (SAR) utilizando Redes Generativas Antagónicas (GANs). Se evaluaron dos arquitecturas: pix2pixHD (supervisada) y CycleGAN (no supervisada) utilizando datos de Sentinel-1 y Sentinel-2 bajo condiciones idénticas. Al introducir RVI como una característica intermedia en lugar de convertir directamente el retrodispersión de SAR a NDVI, el método propuesto mejoró la interpretabilidad física y mejoró la correlación con NDVI. Los resultados cuantitativos muestran que pix2pix logró una mayor precisión (SSIM = 0.5667, PSNR = 22.24 dB, RMSE = 20.54) que CycleGAN (SSIM = 0.5240, PSNR = 19.54 dB, RMSE = 28.02), con una mejora adicional al combinar datos de polarización VV y VH. Aunque la precisión absoluta sigue siendo moderada, este enfoque permite la reconstrucción continua de series temporales anuales de NDVI para el monitoreo de cultivos bajo condiciones persistentes de nubes, demostrando claras ventajas sobre los métodos convencionales de conversión directa de SAR a NDVI.