Los sistemas de aeronaves no tripuladas se utilizan cada vez más en operaciones de recopilación de datos para la agricultura de precisión, con beneficios acumulativos. El procesamiento analítico de datos de imagen sigue siendo una limitación para las aplicaciones. Implementamos una técnica de aprendizaje automático no supervisado para analizar eficientemente datos de imagen aérea, lo que resulta en un método robusto para estimar fenotipos de plantas. Probamos esta implementación en tres entornos: campos de arroz, un vivero de plantas y cultivos en hileras de sorgo y soja. Descubrimos que la descripción no supervisada de subpoblaciones facilita la estimación precisa de fenotipos de plantas sin necesidad de enfoques de clasificación supervisados, como la construcción de subconjuntos de datos de referencia utilizando sistemas de posicionamiento geográfico. Específicamente, aplicamos modelado de mezclas finitas para discernir distribuciones de probabilidad de componentes dentro de mezclas, donde los componentes corresponden a referencias espaciales (por ejemplo, el suelo) y objetivos de medición (plantas). Los principales beneficios de este enfoque son su robustez contra variaciones elevacionales del suelo a gran o pequeña escala y su eficacia para devolver estimaciones sin necesidad de operaciones en campo que no sean el sobrevuelo del vehículo. Las aplicaciones en fitosistemas de plantas donde las métricas de interés son espectrales en lugar de espaciales son una dirección futura prometedora.