Las tormentas de granizo suelen resultar en la pérdida total de cultivos. Después de una tormenta de granizo, el campo afectado es inspeccionado por un ajustador de reclamos de seguros para evaluar la pérdida de rendimiento. La precisión de la evaluación depende en gran medida de la detección in situ de sectores de daño homogéneo dentro del campo, utilizando técnicas visuales. Este documento presenta un algoritmo para la detección automática de daños homogéneos por granizo mediante la aplicación de técnicas de aprendizaje automático no supervisado a índices de vegetación calculados a partir de datos de teledetección. Se evaluaron cinco índices espectrales y cinco de microondas antes y después de una tormenta de granizo en zonas con diferentes grados de daño. El Índice de Vegetación SAR de Polarización Dual y el Índice de Relación Normalizada de Clorofila y Pigmento fueron los más sensibles a los cambios inducidos por el granizo. Las series temporales y las tasas de cambio de estos índices se utilizaron como variables de entrada en el método K-means para agrupar píxeles en zonas de daño homogéneo. La validación del algoritmo con datos de 91 parcelas de soja, trigo y maíz mostró que en el 87.01% de los casos hubo evidencia significativa de diferencias en el daño promedio entre las zonas determinadas por el algoritmo dentro de la parcela. Así, el algoritmo presentado en este documento permitió la detección eficiente de zonas homogéneas de daño por granizo, lo que se espera mejore la precisión y transparencia en la caracterización de eventos de tormentas de granizo.