El contenido de clorofila es un indicador fisiológico clave que refleja la capacidad fotosintética, y el medidor de Análisis de Suelo-Planta (SPAD) es una herramienta comúnmente utilizada para su estimación rápida y no destructiva. La imagen hiperespectral (HSI) es una técnica no destructiva que captura características espectrales finas y, por lo tanto, tiene un gran potencial para el fenotipado de alto rendimiento y la detección temprana de estrés. Este estudio tuvo como objetivo explorar el potencial de HSI combinado con aprendizaje en conjunto (EL) para estimar el SPAD de plántulas de colza bajo diferentes duraciones de encharcamiento. Se recopilaron imágenes hiperespectrales y los valores de SPAD correspondientes de seis cultivares de colza a 0, 2, 4 y 6 días de encharcamiento. Se empleó la información mutua para seleccionar las 30 características espectrales e índices de vegetación más relevantes. El modelo EL se construyó utilizando mínimos cuadrados parciales, máquinas de soporte vectorial, bosques aleatorios, regresión de cresta y red elástica como aprendices de primera capa y una regresión lineal múltiple como aprendiz de segunda capa. Los resultados mostraron que el modelo EL mostró una estabilidad superior y una mayor precisión de predicción en comparación con modelos individuales a través de varios genotipos y conjuntos de datos de tratamiento de encharcamiento. A medida que aumentó la duración del encharcamiento, la precisión general del modelo mejoró; notablemente, bajo 6 días de encharcamiento, el modelo EL logró un valor de 0.79 y un RMSE de 3.27, lo que indica una fuerte capacidad predictiva. Este estudio demostró que combinar EL con HSI permite una estimación estable y precisa de los valores de SPAD, proporcionando así un enfoque efectivo para el monitoreo temprano del estrés en cultivos.