El seguimiento de la vegetación en ecosistemas agrícolas y forestales es esencial para la seguridad alimentaria, la gestión forestal sostenible y la mitigación del cambio climático. La teledetección proporciona observaciones sistemáticas y espacialmente consistentes a gran escala, convirtiéndose en una herramienta fundamental en este ámbito. La disponibilidad de diferentes tipos de sensores ofrece perspectivas complementarias sobre las características y dinámicas de la vegetación, aunque su utilidad, empleado de forma individual o combinada, sigue siendo un área de investigación activa. Esta tesis evalúa el potencial de la teledetección óptica, SAR y LiDAR para el seguimiento de la vegetación en ecosistemas agrícolas y forestales, abordando cuatro objetivos específicos. En primer lugar, se evaluaron las características de intensidad y polarimetría de Sentinel-1 para el modelado de series temporales de NDVI de Sentinel-2 en cuatro tipos de cultivos. Se obtuvieron buenos resultados para la cebada, el trigo y el girasol, identificándose las variables SAR temporales como un factor clave para una reconstrucción precisa del NDVI. En segundo lugar, se evaluó el uso de Sentinel-1, Sentinel-2 y LiDAR para la clasificación de tipos y especies forestales en tres niveles taxonómicos. Sentinel-2 resultó ser el sensor más informativo, con LiDAR aportando información estructural complementaria. Se alcanzaron precisiones globales de 0,90, 0,80 y 0,79 en los tres niveles. En tercer lugar, los mismos sensores fueron evaluados para la estimación del área basimétrica y el volumen de masa en hayedos europeos. El LiDAR proporcionó la mayor capacidad predictiva, con Sentinel-2 aportando información espectral complementaria. Sentinel-1 añadió una capacidad predictiva marginal bajo condiciones de dosel denso. Por último, se investigó la coherencia interferométrica en banda L derivada de los productos GSLC de NISAR para la estimación de la biomasa aérea más allá del límite de saturación del coeficiente de retrodispersión. Se adoptó un marco de corrección de residuos en dos etapas, que mostró mejoras significativas en el enfoque basado en datos para un área de alta biomasa. En conjunto, se espera que los resultados de esta tesis contribuyan a un mejor entendimiento del potencial de los diferentes sensores de teledetección para el seguimiento de la vegetación. Los hallazgos sugieren que el avance puede provenir no solo de la integración de sensores, sino también de la explotación de toda la información disponible en los productos SAR existentes, combinada con estrategias de modelado más avanzadas., Vegetation monitoring across agricultural and forest ecosystems is essential for food security,
sustainable forest management, and climate change mitigation. Remote sensing provides
systematic, spatially consistent observations at large scales, becoming an indispensable tool for
this purpose. The availability of different sensor types offers complementary perspectives on
vegetation characteristics and dynamics, though their utility, either used individually or in
combination, remains an active research area. This thesis evaluates the potential of optical, SAR, and LiDAR remote sensing for vegetation monitoring across agricultural and forest ecosystems, addressing four specific objectives. First, Sentinel-1 intensity and polarimetric features were evaluated for modelling Sentinel-2 NDVI time series across four crop types. Strong performance was achieved for barley, wheat, and sunflower, with temporal SAR features identified as a critical factor for accurate NDVI reconstruction. Second, the use of Sentinel-1, Sentinel-2, and LiDAR was assessed for forest type and species classification across three taxonomic levels. Sentinel-2 emerged as the most informative sensor, with LiDAR contributing complementary structural information. Overall accuracies of 0.90, 0.80, and 0.79 were achieved across the three levels. Third, the same sensors were evaluated for basal area and stand volume estimation in European beech stands. LiDAR provided the strongest predictive capacity, with Sentinel-2 contributing complementary spectral information. Sentinel-1 added negligible predictive power under dense canopy conditions. Finally, L-band interferometric coherence derived from NISAR GSLC products was investigated for aboveground biomass retrieval beyond the backscatter saturation limit. A two-stage residual correction framework was adopted, showing meaningful improvements within the data-driven framework at a high-biomass site. Overall, the results of this thesis are expected to contribute to a better understanding of the potential of different remote sensors for vegetation monitoring. The findings suggest that progress may come not only from sensor integration, but also from exploiting the full information content of existing SAR products combined with more advanced modelling strategies., This thesis was supported by the grant “Predoctoral grants 2023 from the Government of
Navarra for the implementation of doctoral programs of interest to Navarra”, and through the
projects forestOBS (project code 0011-1365-2021-000072), granted in the 2021 call for R&D
projects by the Government of Navarre, and ReSAg (PID2019-107386RB-I00) and DAMAGE
(PID2023-0152885OB-I00), funded by the Spanish State Research Agency (Agencia Estatal de
Inves-tigación, AEI), Ministry of Science, Innovation and Universities. Projects included funds
from the European Regional Development Fund (FEDER-UE)., Programa de Doctorado en Ciencias y Tecnologías Industriales, Industria Zientzietako eta Teknologietako Doktoretza Programa