El contenido de clorofila refleja la capacidad fotosintética de las plantas, la etapa de crecimiento y el estado de nitrógeno, y por lo tanto, es de gran importancia en la agricultura de precisión. Este estudio tiene como objetivo desarrollar un modelo basado en índices de vegetación espectrales y de color para estimar el contenido de clorofila en lechugas cultivadas en acuaponía. Se empleó un marco de aprendizaje automático automatizado completamente de código abierto (EvalML) para desarrollar los modelos de predicción. Se comparó el rendimiento de AutoML junto con otros cuatro modelos estándar de aprendizaje automático (red neuronal de retropropagación (BPNN), regresión por mínimos cuadrados parciales (PLSR), bosque aleatorio (RF) y máquina de soporte vectorial (SVM). Se extrajeron y evaluaron los índices de vegetación espectrales (SVIs) y de color (CVIs) más sensibles para el contenido de clorofila como estimadores confiables del contenido de clorofila. Utilizando un espectroradiómetro ASD FieldSpec 4 Hi-Res y una cámara portátil de rojo, verde y azul (RGB), se adquirieron 3600 mediciones de reflectancia hiperespectral y 800 imágenes RGB de lechugas cultivadas a través de un gradiente de niveles de nutrientes. Las mediciones en campo del contenido de clorofila en las hojas se obtuvieron utilizando un SPAD-502 calibrado a través de análisis químicos de laboratorio. Los resultados revelaron una fuerte relación entre el contenido de clorofila y las lecturas del SPAD-502, con un valor de 0.95 y un coeficiente de correlación (r) de 0.975. Los modelos de AutoML desarrollados superaron a todos los modelos tradicionales, obteniendo los valores más altos del coeficiente de determinación en la predicción para todos los índices de vegetación (VIs). La combinación de SVIs y CVIs logró la mejor precisión de predicción con los valores más altos que oscilan entre 0.89 y 0.98, respectivamente. Este estudio demostró la viabilidad de los índices de vegetación espectrales y de color como estimadores del contenido de clorofila. Además, los modelos de AutoML desarrollados pueden integrarse en dispositivos embebidos para controlar los ciclos de nutrientes en sistemas de acuaponía.