La humedad del suelo desempeña un papel crucial en varios procesos ambientales y es esencial para la gestión agrícola, la modelización hidrológica y los estudios climáticos. La teledetección por radar de apertura sintética (SAR) presenta un potencial significativo para estimar la humedad del suelo debido a su capacidad para operar en todas las condiciones climáticas y proporcionar capacidades de imagen de día y de noche. Entre las configuraciones de SAR, el modo Compacto Polarimétrico (CP) ha ganado un interés creciente ya que relaja las restricciones del sistema, mejora la cobertura y enriquece la información del objetivo en comparación con los sistemas SAR duales convencionales. Este artículo presenta un enfoque novedoso para la recuperación de la humedad del suelo utilizando algoritmos de aprendizaje automático y características de CP SAR. Las características de CP SAR se derivan de una serie de imágenes de CP SAR de la Misión de Constelación RADARSAT (RCM) adquiridas sobre sitios experimentales canadienses equipados con estaciones de Monitoreo de Suelo en Tiempo Real (RISMA) para Agricultura. Este estudio emplea un conjunto de datos diverso de características de SAR polarimétrico compacto y mediciones de humedad del suelo de verdad de terreno correspondientes para fines de entrenamiento y validación. Los resultados de nuestro estudio lograron un Error Cuadrático Medio (RMSE) de 6.88% con un coeficiente de determinación R2 igual a 0.60, lo que corresponde a una correlación R entre los valores de humedad del suelo reales y predichos de 0.75, utilizando un modelo de Regresión de Aprendizaje por Conjuntos (ELR) optimizado basado en árboles de decisión. Estos resultados mejoraron, obteniendo un RMSE de 5.67% y un R2 igual a 0.73 (R = 0.85), utilizando un modelo de Regresión de Proceso Gaussiano (GPR) optimizado.