Las estimaciones precisas del volumen de agua superficial (SWV) son cruciales para una gestión efectiva de los recursos hídricos y para el monitoreo regional de las tendencias hidrológicas. Este estudio presenta un marco de estimación del volumen de agua superficial de multi-resolución que integra la altimetría de ICESat-2, el radar de apertura sintética (SAR) de Sentinel-1 y la imagen multiespectral de Sentinel-2 a través del aprendizaje automático para mejorar la resolución vertical de un modelo digital de elevación (DEM) y así mejorar la precisión de las estimaciones de SWV. El enfoque de aprendizaje automático proporciona una mejora significativa en la precisión del terreno en relación con el DEM, reduciendo el RMSE en aproximadamente un 66% y un 78% en los dos modelos, respectivamente, en comparación con la fidelidad del producto de datos inicial. Al evaluar las estimaciones de SWV resultantes en relación con el almacenamiento de agua terrestre de GRACE-FO en partes de la cuenca del Amazonas, encontramos fuertes correlaciones y tendencias de secado en toda la cuenca. Notablemente, la alta correlación (r > 0.8) entre nuestras estimaciones de agua superficial y la señal de GRACE-FO en la región de Manaus destaca la capacidad de nuestro método para resolver dinámicas hidrológicas clave. Nuestros resultados subrayan el valor de la disponibilidad mejorada del DEM vertical para estudios hidrológicos globales y ofrecen un marco escalable para futuras aplicaciones. El trabajo futuro se centrará en expandir nuestro conjunto de datos de DEM, una validación adicional y escalar esta metodología para aplicaciones globales.