Un conocimiento detallado de la composición botánica es un factor clave para la gestión sostenible y específica del sitio de praderas permanentes, lo que facilita una mejora en el rendimiento y la eficiencia de la alimentación del ganado. La adquisición de datos basada en espectros combinada con aprendizaje automático tiene el potencial de clasificar grupos de especies y partes de plantas en praderas permanentes con alta precisión. Sin embargo, una desventaja de este método es el hecho de que los sensores hiperespectrales con un amplio rango espectral y una alta resolución espectral y espacial son costosos y generan grandes cantidades de datos. Por lo tanto, surge la pregunta de si estos parámetros son necesarios para una clasificación precisa de praderas. Por lo tanto, investigamos el rendimiento de la clasificación con conjuntos de predictores reducidos formados por diferentes enfoques en praderas permanentes. Para la clasificación basada en píxeles, se alcanzó una precisión media validada cruzada del % utilizando un perceptrón multicapa (MLP) que incluía los 191 predictores disponibles, es decir, bandas espectrales. Utilizando solo 48 predictores de alto rendimiento, aún se pudo lograr una precisión del 80%. En particular, las regiones espectrales de 954 a 956, 684 a 744 y 442 a 444 contribuyeron más al rendimiento de la clasificación. Estos resultados proporcionan una base prometedora para la adquisición futura de datos y el análisis de la vegetación de praderas.