El filtro de partículas ha recibido una atención creciente en la asimilación de datos para estimar estados y parámetros del modelo en casos de procesos dinámicos no lineales y no gaussianos. Se han sugerido varias modificaciones del filtro de partículas original en la literatura, incluida la integración del filtro de partículas con Monte Carlo de Cadena de Markov (PF-MCMC) y, posteriormente, el uso de operadores evolutivos de algoritmos genéticos como parte del proceso de actualización de estados. En este trabajo, se presenta un enfoque modificado de PF-MCMC basado en genética para estimar simultáneamente los estados y parámetros sin asumir una distribución gaussiana para los priors. El método se probó en dos ejemplos de simulación basados en el modelo de cultivo AquaCrop-OS. En el primer ejemplo, el método se comparó con un método PF-MCMC en el que los estados y parámetros se actualizan de forma secuencial y los operadores genéticos se utilizan solo para ajustes de estados. También se investigaron la influencia del tamaño del conjunto, el ruido de medición y los parámetros de mutación y cruce. Se obtuvieron estimaciones precisas y estables de los estados del modelo en todos los casos. La estimación de parámetros fue más desafiante que la estimación de estados y no todos los parámetros convergieron a su valor real, especialmente cuando el valor del parámetro tenía poca influencia en las variables medidas. En general, el método propuesto mostró una estimación de parámetros más precisa y consistente que el PF-MCMC con estimación secuencial, que mostró un comportamiento altamente conservador. La superioridad del método propuesto fue más pronunciada cuando el conjunto incluía un gran número de partículas y el ruido de medición era bajo.