La interferometría de radar de apertura sintética (SAR) en el espacio proporciona mediciones de desplazamiento a largo plazo, pero la calidad de las series temporales de dispersores persistentes (PS) depende críticamente de la coherencia temporal. Los puntos de baja coherencia a menudo exhiben comportamientos auto-no correlacionados, lo que puede ser relevante para discriminar fenómenos rápidos. Este trabajo introduce un marco basado en la coherencia que identifica el umbral de coherencia más allá del cual las series de desplazamiento de PS mantienen suficiente fiabilidad para apoyar la modelización. El umbral se estima analizando cómo la incertidumbre de los datos, inferida a través de técnicas de Aprendizaje Bayesiano Escaso (SBL), varía con la coherencia y detectando cambios abruptos en esta relación. Una vez establecido el umbral óptimo, solo se utilizan los PS más fiables para entrenar un modelo de regresión SBL que vincula el desplazamiento en la línea de visión del satélite con la temperatura del suelo y la humedad superficial medida por un sensor terrestre de bajo costo. Las series temporales de PS-Interferométrico SAR (PS-InSAR) se derivan de imágenes en bruto de COSMO-SkyMed. El modelo SBL emplea principios de muestreo compresivo y diccionarios de parámetros latentes de funciones base, cuyos parámetros latentes se calibran a través de una optimización multi-inicio restringida de una función objetivo basada en residuos normalizados, regularizada por un conjunto de datos de sub-validación. En este trabajo, se demuestra que el modelo entrenado permite una reconstrucción temporalmente más densa de las historias de desplazamiento de lo que permite el ciclo de revisita del satélite y permite un monitoreo continuo del suelo al comparar las predicciones del modelo con los nuevos datos adquiridos de PS-InSAR.