La humedad del suelo superficial (SSM) es un parámetro clave para los procesos hidrológicos de la superficie terrestre. En los últimos años, las imágenes de teledetección por satélite se han utilizado ampliamente para la estimación de SSM, y muchos métodos basados en índices espectrales derivados de satélites también se han utilizado para estimar el contenido de SSM en diversas condiciones climáticas y ubicaciones geográficas. Sin embargo, lograr una estimación precisa del contenido de SSM a alta resolución espacial sigue siendo un desafío. Por lo tanto, mejorar la precisión de la estimación de SSM a través de las sinergias de datos de teledetección de múltiples fuentes se ha vuelto imperativo, particularmente para informar las prácticas de gestión forestal. En este estudio, se llevó a cabo la integración de datos de teledetección de múltiples fuentes con modelos de bosque aleatorio y máquinas de soporte vectorial utilizando Google Earth Engine con el fin de estimar el contenido de SSM y desarrollar mapas de SSM para bosques templados en el centro de Japón. La sinergia de Sentinel-2 y factores del terreno, como la elevación, la pendiente, el aspecto, la inclinación de la pendiente y la profundidad del valle, con el modelo de bosque aleatorio proporcionó el enfoque más adecuado para la estimación de SSM, obteniendo los valores de precisión más altos (precisión general para la prueba = 91.80%, Kappa = 87.18%, r = 0.98) para los bosques templados del centro de Japón. Este hallazgo proporciona información más valiosa para el mapeo de SSM, lo que muestra promesas para aplicaciones de silvicultura de precisión.