A medida que los extremos climáticos amenazan cada vez más la seguridad alimentaria global, las herramientas de precisión para la detección temprana del estrés en cultivos se han vuelto vitales, particularmente para cultivos de raíz como la papa y la batata, que son especialmente susceptibles a los factores estresantes ambientales a lo largo de sus ciclos de vida. En este estudio, se monitorearon las plantas desde el inicio de los factores estresantes estacionales, incluyendo sequías primaverales, calor y episodios de lluvias excesivas, hasta la cosecha, capturando toda la gama de respuestas fisiológicas y bioquímicas bajo condiciones estacionales simuladas en invernaderos. Los datos espectrales se obtuvieron de regiones de interés (ROIs) de las hojas de cada cultivar, con más de 3000 puntos de datos extraídos por cultivar; estos datos se utilizaron posteriormente para el desarrollo de modelos. Se estableció un marco de clasificación integral mediante el uso de modelos de aprendizaje automático, Máquina de Vectores de Soporte (SVM), Análisis Discriminante Lineal (LDA) y Análisis Discriminante de Mínimos Cuadrados Parciales (PLS-DA), para detectar el estrés en varias etapas de crecimiento. Además, los niveles de severidad se definieron objetivamente utilizando índices de fotoreflectancia y visualizaciones de datos de análisis de componentes principales (PCA), lo que permitió una clasificación consistente y confiable de las respuestas al estrés tanto en cultivares individuales como en conjuntos de datos combinados. Todos los modelos lograron una alta precisión de clasificación (90-98%) en conjuntos de prueba independientes. La aplicación del Algoritmo de Proyecciones Sucesivas (SPA) para la selección de variables redujo significativamente el número de longitudes de onda requeridas para una clasificación robusta del estrés, con modelos SPA-PLS-DA manteniendo alta precisión (90-96%) utilizando solo un subconjunto de bandas informativas. Además, la imagen química basada en SPA-PLS-DA permitió el mapeo espacial de la severidad del estrés dentro de los tejidos de las plantas, proporcionando información temprana y no invasiva sobre el estado fisiológico y bioquímico. Estos hallazgos destacan el potencial de integrar la imagen hiperespectral y el aprendizaje automático para un monitoreo preciso y en tiempo real de los cultivos, contribuyendo así a una gestión agrícola sostenible y a la reducción de pérdidas en los rendimientos.