Determinar eficientemente el estrés hídrico de los cultivos es vital para optimizar las prácticas de riego y mejorar la productividad agrícola. En este ámbito, la sinergia del aprendizaje profundo con las tecnologías de teledetección ofrece una oportunidad significativa. Este estudio presenta un innovador pipeline de aprendizaje profundo de extremo a extremo para la determinación del agua en los cultivos dentro del campo. Esto implica lo siguiente: (1) crear un conjunto de datos anotado para el estrés hídrico de los cultivos utilizando imágenes de Landsat 8, (2) implementar un modelo de transformer de visión independiente ViT, y (3) la implementación de un modelo propuesto CNN-ViT. Este enfoque permite un análisis comparativo entre las dos arquitecturas, ViT y CNN-ViT, en la determinación precisa del estrés hídrico de los cultivos. Los resultados de nuestro estudio demuestran la efectividad del marco CNN-ViT en comparación con el modelo independiente de transformer de visión. El enfoque CNN-ViT muestra un rendimiento superior, destacando su precisión mejorada y capacidades de generalización. Los hallazgos subrayan la importancia de un pipeline integrado de aprendizaje profundo combinado con datos de teledetección en la determinación del estrés hídrico de los cultivos, proporcionando una herramienta confiable y escalable para el monitoreo en tiempo real y la gestión de recursos que contribuyen a prácticas agrícolas sostenibles.