Los métodos cuantitativos para mapear fracciones de cobertura terrestre sub-píxel están ganando cada vez más atención, particularmente en relación con las próximas misiones satelitales hiperespectrales. Evaluamos cinco algoritmos de regresión avanzados combinados con datos de entrenamiento sintéticamente mezclados para cuantificar la cobertura terrestre urbana a partir de datos de HyMap a resoluciones espaciales de 3.6 y 9 m. Los métodos incluyeron regresión de vectores de soporte (SVR), regresión de crestas de kernel (KRR), redes neuronales artificiales (NN), regresión de bosques aleatorios (RFR) y regresión de mínimos cuadrados parciales (PLSR). Nuestros experimentos demuestran que ambos métodos de kernel, SVR y KRR, producen altas precisiones para mapear tipos de superficie urbana complejos, es decir, techos, pavimentos, áreas cubiertas de hierba y árboles. Los modelos SVR y KRR demostraron ser estables con respecto a las diferencias espaciales y espectrales entre ambas imágenes y utilizaron efectivamente la mayor complejidad de las mezclas de entrenamiento sintéticas para mejorar las estimaciones de datos de resolución más gruesa. Las deficiencias observadas se relacionan principalmente con problemas conocidos que surgen de similitudes espectrales o sombras. Los regresores restantes revelaron un rendimiento errático (NN) o limitado (RFR y PLSR) al mapear de manera integral la cobertura terrestre urbana. Nuestros hallazgos sugieren que la combinación de métodos de regresión basados en kernel, como SVR y KRR, con datos de entrenamiento sintéticamente mezclados es adecuada para cuantificar la cobertura terrestre urbana a partir de datos de espectrómetro de imágenes a múltiples escalas.