Los sistemas aéreos no tripulados (UAS) y la inteligencia artificial (IA) permiten el monitoreo efectivo de las plantas, pero es difícil determinar las etapas del desarrollo del algodón en el proceso de gradientes de riego. En este documento, se combinaron imágenes de UAS con aprendizaje profundo para realizar una clasificación de fenología del algodón a escala de campo en situaciones de sequía graduada. SegNet, U-Net y DeepLabv3+ fueron entrenados con varios tamaños de muestra y evaluados en precisión global (GA), intersección media sobre unión (mIoU) y puntuación F de límite media (mBF). Se encontró que DeepLabv3+ superó a todos los otros métodos y produjo la delimitación más uniforme del espaciado de las hileras de cultivos, los bordes del dosel y los límites de apertura de las cápsulas a lo largo de toda la temporada de crecimiento. Bajo entrenamiento de una sola etapa, el rendimiento se volvió estable con tamaños de muestra de entrenamiento >= 960 para las etapas de plántula y cuajado, mientras que las etapas de cápsula y apertura de cápsula requerían >= 1280; para el entrenamiento de toda la temporada, el rendimiento se volvió estable cuando el tamaño de la muestra alcanzó 4480 (GA = 0.98, mIoU = 0.95, mBF = 0.81). La evaluación cruzada indicó que los errores se concentraron principalmente entre etapas adyacentes, con mayor confusión bajo el tratamiento de riego del 0% y resultados de identificación más estables bajo el tratamiento de riego del 90%. Una encuesta de campo DAP 138 (36 puntos) confirmó un cambio fenológico de gradiente de riego desde la dominancia de apertura de cápsulas en el 0% de riego hasta la cápsula universal en el 90% de riego, consistente con los mapas de fenología espacial. En general, el marco propuesto proporciona una solución rentable a escala de campo para apoyar la gestión de riego de precisión en regiones áridas de cultivo de algodón.