La variabilidad climática y los eventos meteorológicos extremos impactan la producción agrícola, especialmente en los sistemas de cultivo de pequeños agricultores en el África subsahariana, que comúnmente dependen de la lluvia. Por lo tanto, el desarrollo de sistemas de alerta temprana sobre la disponibilidad de humedad puede facilitar la planificación, mitigar pérdidas y optimizar rendimientos a través del aumento de la humedad. Las prácticas agrícolas de precisión, facilitadas por vehículos aéreos no tripulados (UAV) con cámaras de muy alta resolución, son útiles para monitorear dinámicas a escala de finca en tiempo casi real y se han convertido en una herramienta importante de gestión agrícola. Considerando estos desarrollos, evaluamos la utilidad de las imágenes ópticas y de infrarrojo térmico de UAV, en combinación con un algoritmo de aprendizaje automático de bosque aleatorio, para estimar la temperatura foliar del maíz y la conductancia estomática como indicadores del potencial estrés hídrico de los cultivos y el contenido de humedad a lo largo de todo el ciclo fenológico. Los resultados ilustraron que la banda de onda infrarroja térmica fue la variable más influyente durante las etapas de crecimiento vegetativo, mientras que los índices de vegetación derivados del borde rojo y del infrarrojo cercano fueron fundamentales durante las etapas de crecimiento reproductivo tanto para la temperatura como para la conductancia estomática. Los resultados también sugirieron un leve estrés hídrico durante las etapas de crecimiento vegetativo y después de una tormenta de granizo durante la etapa reproductiva media. Además, el modelo de bosque aleatorio estimó de manera óptima la temperatura del cultivo de maíz y la conductancia estomática a lo largo de las diversas etapas fenológicas. Específicamente, la temperatura foliar del maíz se predijo mejor durante la etapa de crecimiento vegetativo medio y la conductancia estomática se predijo mejor durante la etapa de crecimiento reproductivo temprano. Los mapas resultantes de las etapas de crecimiento del maíz modeladas capturaron la heterogeneidad espacial de la temperatura foliar del maíz y la conductancia estomática dentro del campo de maíz. En general, los hallazgos del estudio demostraron que el uso de imágenes ópticas y térmicas de UAV, en conjunto con el aprendizaje automático basado en predicciones, es una herramienta útil, disponible para los pequeños agricultores para ayudarles a tomar decisiones de gestión informadas que incluyan la implementación óptima de los horarios de riego.