La estimación de carbono forestal es clave para mitigar el cambio climático y apoyar iniciativas REDD+, especialmente en la Amazonía, donde la deforestación compromete servicios ecosistémicos. Este estudio integró datos SAR en banda L de ALOS/PALSAR-2 y datos ópticos Landsat para modelar el stock de carbono en la Amazonía ecuatoriana. Se emplearon datos in situ del Inventario Forestal Nacional (2009–2014) y 68 variables predictoras, incluidas bandas espectrales, índices de vegetación, métricas texturales SAR y variables topográficas. Se entrenaron algoritmos de ensamble Random Forest (RF) y Extreme Gradient Boosting (XGBoost), optimizados mediante búsqueda bayesiana (Optuna) y evaluados con validación cruzada y un conjunto de prueba independiente (20%). Tras la selección de variables por importancia de permutación y filtrado de correlación, se retuvieron 37 predictores. Ambos algoritmos alcanzaron un desempeño moderado, con XGBoost como el mejor modelo (R² = 0.59, RMSE = 42.95 t C ha⁻¹, MAE = 32.67 t C ha⁻¹). El análisis de residuos mostró sobrestimaciones en bajas densidades y subestimaciones en altas, aunque XGBoost redujo el sesgo. Los predictores más influyentes incluyeron coordenadas espaciales, bandas verde, roja y SWIR, NDVI, SAVI, GCVI y métricas SAR. El stock regional se estimó en 1.06 GtC (≈3.88 Gt CO₂e), con una media de 79.5 t C ha⁻¹. Los resultados demuestran que la combinación de datos ópticos y SAR con aprendizaje automático mejora la precisión de las estimaciones y constituye un marco robusto para el monitoreo regional de carbono.