La clasificación automatizada del estrés del dosel para los cultivos ha dependido tradicionalmente de fotografías unidireccionales en dos dimensiones (2D), generalmente obtenidas a través de imágenes de vista superior utilizando vehículos aéreos no tripulados (UAV). Sin embargo, este enfoque puede no capturar completamente la extensión de los síntomas de estrés de las plantas, que pueden manifestarse en todo el dosel. Los avances recientes en tecnologías LiDAR han permitido la adquisición de datos de nube de puntos 3D de alta resolución para todo el dosel, ofreciendo nuevas posibilidades para una identificación y clasificación más precisa del estrés de las plantas. Este estudio explora el potencial de aprovechar los datos de nube de puntos 3D para una mejor evaluación del estrés de las plantas. Utilizamos un conjunto de datos de nubes de puntos 3D RGB de 700 plantas de soja de un panel de diversidad expuestas al estrés de clorosis férrica (IDC). A partir de este conjunto único de 700 dosel que exhiben diferentes niveles de IDC, extrajimos varias representaciones, incluyendo (a) características específicas de síntomas de IDC hechas a mano, (b) huellas del dosel y (c) características basadas en características latentes. Posteriormente, entrenamos varios modelos de clasificación para predecir la gravedad del estrés de las plantas utilizando estas representaciones. Investigamos exhaustivamente varias representaciones de estrés y combinaciones de modelos para los datos en 3D. También comparamos el rendimiento de estos modelos de clasificación con modelos similares que solo están entrenados usando la imagen RGB en 2D de vista superior asociada con cada planta. Entre las combinaciones de características y modelos probados, las características de huellas del dosel en 3D entrenadas con una máquina de vectores de soporte obtuvieron el mejor rendimiento, logrando una mayor precisión en la clasificación que el modelo mejor clasificado basado en datos 2D construidos utilizando redes neuronales convolucionales. Nuestros hallazgos demuestran la utilidad de la huella digital en color del dosel y subrayan la importancia de considerar los datos en 3D para evaluar el estrés de las plantas en aplicaciones agrícolas.