La estimación de la biomasa aérea forestal es necesaria para diversas aplicaciones técnicas y científicas, lo que permite mejorar el manejo de los bosques y plantaciones . Dado que las mediciones locales son costosas, existe un gran interés en obtener estimaciones confiables sobre grandes áreas a partir de datos de sensores remotos. Actualmente, dichas estimaciones se obtienen con una variedad de fuentes de datos, métodos estadísticos y estándares de predicción. Los datos de percepción remota en combinación con algoritmos de aprendizaje automático basados en arboles de decisión han generado resultados favorables en la estimación de valores de biomasa aérea (AGB, siglas en inglés). En este estudio, la biomasa aérea se estimó para dos especies de árboles principales, Eucalyptus grandis (E. grandis) y Pinus spp (P. spp), de plantaciones forestales comerciales en el departamento del Cauca, Colombia. La biomasa aérea se estimó combinando los datos SAR (Radar de apertura sintética) de banda C del satélite Sentinel-1A, las imágenes de textura generadas a partir de los datos de Sentinel-1A, los índices de vegetación producidos con los datos de Sentinel-2A y datos de inventarios forestales. Se usaron regresiones paramétrica lineales y regresiones no paramétricas con Random Forest para establecer una relación entre los valores medidos en campo y los parámetros de percepción remota. El uso de un modelo de Random Forest en combinación de índices de vegetación con la retrodispersión de Radar de Apertura Sintética (SAR, siglas en inglés ) como variables predictoras mostró el mejor resultado para el bosque de E. grandis, con un coeficiente de valor de determinación de 0,273 y un valor RMSE de 346,62 t.ha-1. En P. spp, el mejor resultado se pudo encontrar en la misma combinación (R2 = 0,617 y EMC = 9.025 t.ha-1). Este estudio muestra que los datos satelitales Sentinel tienen la capacidad de estimar AGB en plantaciones forestales comerciales y que el algoritmo de aprendizaje automático Random Forest puede ser muy útil para hacerlo.Abstract: The estimation of the forest aboveground biomass (AGB) is necessary for diverse technical and scientific applications, which allows to improve the management of forests and plantations. Since local measurements are expensive, there is necessary to get reliable estimates over large areas from remote sensing data. Currently, these estimations are obtained with a variety of data sources, statistical methods and prediction standards. Remote sensing data in combination with machine learning algorithms based on decision trees have generated favorable results in the estimation of aboveground biomass values. In this study, aboveground biomass was estimated for two main tree species, Eucalyptus grandis (E. grandis) and Pinus spp (P. spp), from commercial forest plantations in Cauca, Colombia. AGB was estimated by combining C-band SAR data from Sentinel-1A satellite, texture images generated from Sentinel-1A data, vegetation indices produced with Sentinel-2A data, and forest inventory data. Linear parametric regressions and nonparametric regressions as Random Forest were used to establish a relationship between the values measured in field and the parameters of remote sensing. The use of a Random Forest model in combination of vegetation indices with SAR data as predictor variables showed the best result for the E. grandis forest, with a coefficient of determination value of 0.273 and an RMSE value of 346, 62 t.ha-1. In P. spp, the best result could be found in the same combination (R2 = 0.617 and RMSE = 9.025 t.ha-1). This study shows that Sentinel satellite data have the ability to estimate AGB in commercial forest plantations and that the Random Forest machine learning algorithm can be very useful to do so.