Las aplicaciones modernas de agricultura de precisión dependen cada vez más de salidas estables de visión por computadora. Una tarea importante de visión por computadora es discriminar entre píxeles de suelo y píxeles de plantas, lo cual se llama segmentación de plantas. Para esta tarea, las técnicas de aprendizaje supervisado, como los clasificadores de árboles de decisión (DTC), máquinas de vectores de soporte (SVM) o redes neuronales artificiales (ANN) están ganando popularidad. La selección de datos de entrenamiento es de suma importancia en estos enfoques, ya que influye en la calidad de los modelos resultantes. Investigamos la influencia de tres parámetros de modelado, a saber, la proporción de píxeles de plantas (cobertura de plantas), criterios sobre qué píxel elegir (selección de píxeles) y número/tipo de características (características de entrada) en la calidad de segmentación utilizando DTCs. Nuestros hallazgos muestran que la cobertura de plantas y, en menor medida, las características de entrada tienen un impacto significativo en la calidad de la segmentación. Podemos afirmar que el rendimiento superior de los clasificadores de árboles de decisión de entrada multi-característica sobre los métodos de índice de color basados en umbrales puede explicarse en gran medida por los datos de entrenamiento más equilibrados. Los clasificadores de árboles de decisión de entrada de una sola característica pueden competir con modelos de última generación cuando se proporcionan los mismos datos de entrenamiento. Este estudio es el primer paso en un análisis sistemático de los parámetros de influencia de tales modelos de segmentación de plantas.