[ES] Además de su valor intrínseco, los bosques desempeñan un papel fundamental en la provisión de una variedad de servicios ecosistémicos. Sin embargo, su salud está cada vez más amenazada por el cambio climático, la pérdida de biodiversidad y la globalización, lo que facilita la propagación de diversas plagas. La detección temprana en zonas afectadas es crucial para mitigar sus impactos negativos en la masa forestal. Este estudio se enfoca en la detección de infecciones causadas por el hongo Fomes fomentarius en una masa de pino piñonero (Pinus pinea) situada cerca de una estación de la red ICOS (Sistema Integrado de Observación del Carbono) en el Parque Natural de Migliarino, San Rossore, Italia. Para lograr la detección del hongo, se integró un modelo de transferencia radiativa (PROSAIL) junto con imágenes de satélite PRISMA y Sentinel-2 para recuperar el índice de área foliar (LAI), contenido de clorofila a y b (Chl-ab), y contenido de agua foliar (EWT). En la inversión de los rasgos de plantas, usamos un modelo de aprendizaje profundo de tres capas ocultas (128 neuronas por capa) que obtuvo un coeficiente de determinación promedio (R²) de 0,86 con la resolución multiespectral de Sentinel-2 y de 0,95 con la resolución del sensor hiperespectral PRISMA. El error cuadrático medio (RMSE) de los modelos para Sentinel-2 y PRISMA, respectivamente, fue de 0,43 y 0,24 m2 m-2 para LAI, 5,15 y 2,9 µg cm-2 para Chl-ab y 3,55 y 2,26 mg cm-2 para EWT. La validación de los resultados se realizó mediante 23 mediciones de campo de LAI en diferentes fechas, obteniendo un error cuadrático medio (RMSE) de 0,41 y 0,47 m²/m² para PRISMA y Sentinel2, respectivamente. A pesar de estos resultados, PRISMA no pudo detectar la enfermedad forestal debido a su baja resolución espacial (30 m, equivalente a 900 m² por pixel) en comparación con el tamaño de la zona infectada (471 m²). Sin embargo, Sentinel-2 sí detectó la infección de F. fomentarius, observándose diferencias estadísticamente significativas en los valores de LAI, Chl-ab y EWT entre la zona no infectada y las dos zonas infectadas. Los resultados demuestran el potencial de la detección temprana de enfermedades forestales mediante la combinación de imágenes satelitales, modelos de transferencia radiativa y técnicas de aprendizaje profundo. Este método puede ser utilizado para el seguimiento y la prevención de enfermedades forestales, asegurando así un mayor equilibrio de este ecosistema esencial para el bienestar de la sociedad.