La estimación del contenido de agua del dosel (CWC) es extremadamente importante para las decisiones de gestión de riego. El aprendizaje automático y la tecnología de imágenes hiperespectrales han proporcionado una herramienta potencialmente útil para la medición precisa del contenido de agua de las plantas. Sin embargo, las herramientas se ven obstaculizadas por la selección de características, así como por un modelo avanzado en sí mismo. Por lo tanto, este estudio tiene como objetivo proponer un modelo de predicción eficiente y comparar tres métodos de selección de características que incluyen índices de vegetación (VI), características basadas en modelos (MF) y análisis de componentes principales (PCA). Las características seleccionadas se aplicaron con una red neuronal de retropropagación (BPNN), un bosque aleatorio (RF) y una regresión de mínimos cuadrados parciales (PLSR) para entrenar las muestras con una pérdida mínima en un conjunto de validación cruzada. Las imágenes hiperespectrales se recopilaron de cultivos de arroz cultivados bajo diferentes niveles de estrés hídrico. Se utilizaron un total de 128 imágenes para evaluar nuestros métodos propuestos. Los resultados indicaron que la integración de los métodos PCA y MF puede proporcionar una selección de características más robusta para el modelo de predicción propuesto. Las tres bandas de 1467, 1456 y 1106 nm fueron las variantes supremas de pronóstico de CWC. Estas características se combinaron con un modelo BPNN optimizado y mejoraron significativamente la precisión del pronóstico. La precisión y el coeficiente de correlación del modelo avanzado BPNN-PCA-MF están cerca de 1 con un RMSE de 0.252. Por lo tanto, este estudio contribuye positivamente a los investigadores y responsables de la predicción del contenido de agua de las plantas para que se puedan tomar medidas con anticipación y de manera efectiva para el riego de precisión.