La productividad agrícola se ve afectada por la presencia de plagas y enfermedades, siendo las malas hierbas uno de los principales componentes bióticos de dichos daños. Su identificación en cultivos de caña de azúcar mediante imágenes satelitales permite su geolocalización exacta, posibilitando lo que en agricultura de precisión se conoce como Manejo de Malezas en Sitios Específicos (Site-Specific Weed Management, SSWM), un enfoque preciso y eficiente en recursos que adapta el manejo de malezas a las variaciones en su ubicación, densidad y composición dentro de cada campo, conduciendo a prácticas agrícolas productivas y sostenibles. Recientemente se han publicado varias herramientas computacionales para la desmezcla hiperespectral de imágenes de satélite, que permiten descomponerlas en características espectrales y mapas de abundancia de cada componente de sus píxeles. Una de estas herramientas es la factorización de matrices no negativas (NMF), que se utilizó en este trabajo para geolocalizar la maleza conocida en Cuba como Don Carlos (Sorghum halepense L.), que invade las plantaciones de caña de azúcar (Saccharum spp.). La principal contribución fue evaluar dos métodos NMF ciegos: Mínimo Volumen Beta Divergencia vía actualizaciones multiplicativas (MVBD-MU) y Factorización Conjunta de Matrices No Negativas Group sparse sobre subespacio ortogonal (GJNMFO), no creados para imágenes satelitales. Los resultados muestran que, a pesar de la baja resolución espacial de las imágenes del satélite Sentinel-2, con 10 m por píxel, así como del hecho de que no se trata de un sensor hiperespectral, sino de un sensor multiespectral con sólo 10 bandas, estos métodos son eficaces para discriminar entre la maleza y otros componentes presentes en las imágenes.