Las estimaciones de rendimientos agrícolas son de gran importancia debido a que la producción de alimentos juega un papel fundamental en la seguridad alimentaria y en la economía de los países. En el pasado, las estimaciones de rendimiento se debían realizar a campo, con operaciones trabajosas y lentas, y se obtenían resultados poco precisos. Por este motivo, cada vez más trabajos apuntan a estimar el rendimiento mediante técnicas geo-informáticas. Considerando la disponibilidad de datos de libre acceso existen dos posibilidades para estimar los rendimientos: por un lado, se pueden utilizar datos de precipitaciones, y, por otro lado, se pueden utilizar datos provenientes de sensores remotos. El objetivo del trabajo fue determinar y comparar la capacidad de distintos índices (climáticos y espectrales) de estimar los rendimientos agrícolas a escala departamental en la provincia de Entre Ríos. En primera instancia se determinó la capacidad de las precipitaciones y el SPI (Standardized Precipitation Index) de 3 meses, ambos en distintos períodos de acumulación en el semestre cálido (octubre a marzo). Los modelos que mejor explicaron el rendimiento en maíz fueron los que incluyeron información de diciembre (tanto con precipitaciones como con SPI), con un menor error de predicción y un mayor coeficiente de determinación. En cambio, en soja, fueron aquellos que se basaron en la precipitación previa al período crítico y el SPI centrado en dicho período. Luego, en segunda instancia, se evaluó la capacidad de TRMM (Tropical Rainfall Measurement Mission) para estimar la precipitación en Entre Ríos. En un primer análisis a escala mensual, se comparó la estimación derivada de TRMM y de dos métodos de interpolación a partir de los datos de nueve estaciones meteorológicas convencionales (EMC) (cinco dentro y cuatro fuera de la provincia). En un segundo análisis para distintos períodos de acumulación inferiores al mes se utilizaron tres EMC dentro de la provincia. A escala mensual, la capacidad de estimar las precipitaciones resultó mejor con TRMM que con cualquiera de los dos métodos de interpolación. La estimación de precipitaciones mensuales mediante la ecuación con todos los datos agrupados de TRMM no resultó diferente de la estimación particular de cada EMC, lo que permite utilizar la ecuación de forma generalizada para toda la provincia. A escala menor a la mensual se observó que el ajuste aumenta con los días acumulados. Se estableció al período de acumulación de 15 días como el mínimo que no disminuye la precisión con respecto a períodos más largos. Por esto, los datos de TRMM acumulados cada 16 días (frecuencia de los productos MODIS) fueron utilizados en conjunto con otros índices espectrales en la instancia siguiente. En ésta tercera instancia, se determinó la capacidad de un conjunto de índices espectrales para estimar los rendimientos. Para esto, se utilizaron valores de reflectancia de distintas bandas del producto MOD09A1 y la temperatura de superficie del producto MOD11A2, ambos provenientes de MODIS. Los índices obtenidos (básicos y escalados cada 8 días, y combinados cada 16 días), fueron promediados en 8 períodos de tiempo ubicados en distintos estadíos fenológicos del ciclo de los cultivos. Los modelos más exactos para estimar rendimientos en soja y en maíz fueron aquellos cuyos índices habían sido escalados. En maíz, los mejores índices se obtuvieron al considerar sólo el período crítico. En cambio, para soja, los mejores modelos incluyeron al período crítico del cultivo y al ciclo completo. En general, los mejores resultados se obtuvieron al utilizar el NDWI y NDDI (derivado del NDWI). En última instancia, se compararon los índices climáticos y los derivados de sensores remotos en la estimación de rendimientos. En maíz, la mejor estimación con índices climáticos se obtuvo con el SPI de enero y febrero en el departamento Federal, con un RMSE de 820 kg.ha-1(error relativo del 22%). En cambio, la mejor estimación con índices espectrales se produjo con el Sc_NDWI_7 en el período crítico en el departamento Villaguay, con un RMSE de 363 kg.ha-1(error relativo del 8%). En soja, la mejor estimación con índices climáticos se obtuvo con el SPI de enero a marzo en Federación, con un RMSE de 245 kg.ha-1(error relativo del 8%). En cambio, la mejor estimación con índices espectrales se produjo con el Sc_NDWI_7 en el período comprendido entre el 17 de enero y el 18 de febrero en Nogoyá, con un RMSE de 132 kg.ha-1(error relativo del 5%). Los resultados del trabajo indican que las precipitaciones estimadas con TRMM podrían utilizarse para la mayoría de los posibles usos agronómicos. Además, se lograron estimaciones de rendimientos departamentales muy buenas mediante modelos provenientes de regresiones lineales simples. Tanto en maíz como en soja, las mejores estimaciones de rendimiento se lograron dos meses previos a la cosecha. Los modelos lineales obtenidos en este trabajo podrían ampliarse con más datos en años futuros o implementarse operativamente en su forma original. Estos modelos aportarían: 1) objetividad en las estimaciones, 2) adecuada anticipación en la estimación y 3) datos a nivel departamental.