El escarabajo longicornio tigre, Chevrolat (Coleoptera: Cerambycidae), ha representado una amenaza significativa para los árboles de morera en Grecia desde su invasión en 2017, la cual podría estar asociada al calentamiento global. La detección suele depender de observar agujeros de emergencia de adultos en la corteza o ramas secas, lo que indica un daño severo. Abordar las amenazas de plagas vinculadas al calentamiento global requiere soluciones eficientes y específicas. La teledetección proporciona información valiosa y rápida sobre la salud de la vegetación, y combinar estos datos con técnicas de aprendizaje automático permite la detección temprana de infestaciones de plagas. Este estudio utilizó datos multiespectrales aéreos para detectar infestaciones en árboles de morera. Variables como el NDVI medio, NDRE medio, EVI medio y área de la copa de los árboles fueron calculadas y utilizadas en modelos de aprendizaje automático, junto con datos sobre agujeros de emergencia de adultos y temperatura. Los árboles fueron clasificados en dos categorías, infestados y sanos, basados en la infestación. Los modelos evaluados incluyeron Random Forest, Decision Tree, Gradient Boosting, Multi-Layer Perceptron, K-Nearest Neighbors y Naïve Bayes. Random Forest demostró ser el modelo predictivo más efectivo, logrando los puntajes más altos en precisión (0.84), recuperación (0.81) y puntuación F (0.82), con Gradient Boosting obteniendo resultados ligeramente inferiores. Este estudio resalta el potencial de combinar la teledetección y el aprendizaje automático para la detección temprana de plagas, promoviendo intervenciones oportunas y reduciendo impactos ambientales.