La integración de técnicas de aprendizaje automático (ML) con imágenes de vehículos aéreos no tripulados (UAV) tiene un gran potencial para mejorar la predicción de rendimiento en la agricultura. Sin embargo, pocos estudios han combinado variables de campo biofísicas con datos espectrales derivados de UAV, particularmente en condiciones de tamaño de muestra limitado. Este estudio evaluó el rendimiento de diferentes algoritmos de ML en la predicción del rendimiento del café Arábica (Coffea arabica) utilizando mediciones biofísicas basadas en campo y variables espectrales extraídas de imágenes multiespectrales de UAV. La investigación se llevó a cabo durante dos temporadas de cultivo (2020/2021 y 2021/2022) en una parcela experimental de 1.2 hectáreas en el sureste de Brasil. Se probaron tres escenarios de modelado con algoritmos de Random Forest, Gradient Boosting, K-Nearest Neighbors, Multilayer Perceptron y Decision Tree, utilizando validación cruzada Leave-One-Out. Los resultados variaron considerablemente entre temporadas y escenarios. KNN tuvo el mejor rendimiento con datos en bruto, mientras que Gradient Boosting fue más estable después de la selección de variables y la augmentación de datos sintéticos con SMOTE. Sin embargo, limitaciones como el pequeño tamaño de la muestra, la variabilidad estacional y el sobreajuste, particularmente con datos sintéticos, afectaron el rendimiento general. A pesar de estos desafíos, este estudio demuestra que la integración de datos espectrales derivados de UAV con ML puede apoyar la estimación de rendimiento, especialmente cuando se abordan cuidadosamente la selección de variables y el contexto fenológico.