La estimación precisa del contenido de humedad del suelo (SMC) es vital para la gestión efectiva del agua en terrenos agrícolas y la toma de decisiones informada sobre riego. La utilización de tecnología de teledetección basada en vehículos aéreos no tripulados (UAV) para monitorear el SMC ofrece ventajas como movilidad, alta puntualidad y alta resolución espacial, compensando así las limitaciones de las observaciones in situ y la teledetección satelital. Sin embargo, la investigación previa se ha centrado principalmente en diagnósticos de SMC para todo el período de crecimiento del cultivo, a menudo descuidando el desarrollo de paradigmas de modelado de humedad del suelo específicos que tengan en cuenta las características específicas del dosel y la zona de raíces en diferentes etapas de crecimiento. Además, las variaciones en el estado de humedad del suelo entre campos, resultantes de la histéresis del flujo de agua en canales de riego en diferentes niveles, pueden influir en el desarrollo de esquemas de modelado de humedad del suelo, un área que rara vez se ha explorado. En este estudio, se construyeron modelos de SMC basados en información espectral de UAV utilizando los algoritmos Random Forest (RF) y Particle Swarm Optimization-Support Vector Machine (PSO-SVM). Los paradigmas de modelado de humedad del suelo (es decir, mapeo de entrada-salida) en diferentes etapas de crecimiento y condiciones de humedad del suelo de maíz de verano fueron comparados sistemáticamente y discutidos, junto con la correspondiente interpretabilidad física. Nuestros resultados mostraron que (1) los esquemas de modelado de SMC difieren significativamente a lo largo de las diversas etapas de crecimiento, recomendándose mapeos de entrada-salida distintos para los períodos tempranos (es decir, etapas de unión, espigado y espigado), medios (es decir, etapas de ampolla y leche) y tardíos (es decir, etapa de maduración). (2) estos modelos basados en aprendizaje automático se desempeñaron mejor en la etapa de unión, mientras que posteriormente, su precisión generalmente mostró una tendencia a la baja a medida que el maíz crecía. (3) el modelo RF demostró una robustez superior en la estimación del estado de humedad del suelo en diferentes campos (condiciones de humedad), logrando una precisión de estimación óptima en campos con un SMC generalmente más alto en línea con el modelo PSO-SVM. (4) a diferencia de la robustez del modelo RF en diagnósticos espaciales de SMC, el modelo PSO-SVM capturó de manera más confiable la dinámica temporal de SMC en diferentes etapas de crecimiento del maíz de verano. Este estudio ofrece referencias técnicas para futuros modeladores en el modelado de SMC basado en UAV en diversas condiciones espaciales y temporales, abordando tanto los tipos de modelos como sus características de entrada.