This research paper proposes a methodology to estimate site productivity in forest plantations by both linear regression models and artificial neural networks using some geomatic tools, such as Geographic Information System (GIS), Global Posicionating System (GPS) and Fotogrammetry. The study was carried out in the El Picazo Experimental Station which is located in the Andean premountain of the Maule Region. Independent variables are related to the distance to the water courses (DCA), terrain elevation model (MDE), geographic orientation model (MDO) and terrain slope model (MDP); the dependent variable was the total height of the 100 tallest trees per hectare (H_100). In all the estimation techniques applied the best selected variables were the terrain slope and the distance to the water courses. Moreover, the quality of the generated estimations (R2 = 41.65%) is within the range established in previous similar research works. The analysis of the results shows that the neural networks has smaller values for absolute mean error (EMA) and mean error quadratic root square (RMSE), than the linear regression model which has a smaller mean bias (SM) and is easier to integrate into a Geographic Information System. Finally, it is possible to establish that the site productivity based on some environmental variables like those indicated above allows to know useful information in order to develop forest plantation programs in bare zones.En la presente investigación se propone una metodología para estimar la productividad de sitio en plantaciones forestales mediante modelos de regresión lineal y redes neuronales, utilizando herramientas geomáticas, tales como sistemas de información geográfica (SIG), sistema de posicionamiento global (GPS) y fotogrametría. El estudio se llevó a cabo en la Estación Experimental “El Picazo”, ubicada en la precordillera andina de la VII Región del Maule. Las variables independientes consideradas tienen relación con la distancia a los cursos de agua (DCA), modelo digital de elevaciones (MDE), modelo digital de orientaciones (MDO) y modelo digital de pendientes (MDP); como variable dependiente se utilizó la altura de los 100 individuos más altos por hectárea (H_100). En ambas técnicas de estimación, las variables finalmente seleccionadas fueron MDP y DCA. La calidad de las estimaciones generadas (R2 = 41,65%) se encontró dentro del rango establecido en investigaciones anteriores. El análisis de los resultados establece que el modelo neuronal presenta un menor error medio absoluto (EMA) y una raíz cuadrada del error cuadrático medio (RMSE) inferior respecto al modelo de regresión lineal múltiple, el cual presentó un menor sesgo medio (SM) y fue más fácil de integrar en un SIG. Por último, se destaca que la productividad de sitio basada en indicadores ambientales como los aquí considerados, permite conocer información útil para desarrollar programas de forestación en zonas despobladas.