Estimar con precisión los contenidos relativos de clorofila de las hojas (representados ampliamente por los valores de SPAD) a través de las etapas de crecimiento es crucial para evaluar la salud de los cultivos, particularmente en regiones caracterizadas por fechas de siembra variables. A diferencia de estudios anteriores que se centraron en imágenes de UAV de alta resolución o en etapas de crecimiento específicas, esta investigación incorpora índices de textura derivados de satélites (TIs) en un modelo de estimación de valores de SPAD aplicable a múltiples etapas de crecimiento (desde el ahijado hasta el llenado de grano). Se llevaron a cabo experimentos de campo en la provincia de Jiangsu, China, donde las fechas de siembra de trigo de invierno variaron significativamente de un campo a otro. Se emplearon imágenes de Sentinel-2 para extraer índices de vegetación (VIs) y TIs. Tras un método de selección de variables en dos pasos, Random Forest (RF)-LassoCV, se aplicaron cinco algoritmos de aprendizaje automático para desarrollar modelos de estimación. El modelo recién desarrollado (SVR-RBF) mostró un rendimiento de estimación robusto ( = 0.8131, = 3.2333, = 0.0710, y = 2.3424) cuando se validó contra conjuntos de datos de valores de SPAD independientes recolectados de campos con fechas de siembra variables. Además, este modelo óptimo también mostró un notable nivel de transferibilidad en otra ubicación con diferentes tiempos de siembra, variedades de trigo y tipos de suelo en comparación con el área de modelado. Además, esta investigación reveló que a pesar de la menor resolución de las imágenes satelitales en comparación con las imágenes de UAV, la incorporación de TIs mejoró significativamente las precisiones de estimación en comparación con el uso exclusivo de VIs típicos en estudios anteriores.