Las plagas de insectos perforadores de la madera representan una amenaza significativa para los huertos, pudiendo llevar a la muerte de los árboles. En las etapas iniciales de la infestación, no se observan síntomas visibles, pero a medida que progresan las infestaciones, surgen síntomas rápidos y generalizados, lo que resulta en un rápido declive de los árboles. Por lo tanto, la detección oportuna de los síntomas tempranos de los insectos perforadores de la madera es fundamental para el control efectivo de plagas, lo que requiere métodos avanzados como la teledetección. En este estudio, se utiliza la teledetección para identificar los síntomas tempranos de la infestación de barrenador plano de raíz de durazno (PFRB) en los árboles. Un sensor multiespectral conectado a un UAV captura datos de imágenes aéreas de huertos de frutas de hueso y frutas de pepita. Estos datos se procesan en programas fotogramétricos y SIG, donde se calculan el NDVI, NDRE y el área de la copa de los árboles. Observaciones en el lugar confirman las infestaciones de PFRB. Se comparan varios modelos de aprendizaje automático, incluidos la regresión logística (LR), la red neuronal artificial (NN), el bosque aleatorio (RF) y el impulso extremo (XGBoost), utilizando valores medios de NDVI, valores medios de NDRE, área de la copa, temperatura media y humedad relativa media. Los valores medios de NDVI surgen como el factor más crucial para predecir la infestación de PFRB en todos los modelos de aprendizaje automático. El modelo XGBoost resulta ser el más efectivo, logrando una precisión del 0.85, con variaciones marginales respecto a los otros modelos probados.