Los índices espectrales de teledetección basados en longitudes de onda visibles, NIR y SWIR son útiles para predecir patrones espaciales de suelo desnudo. Sin embargo, identificar una combinación efectiva de longitudes de onda informativas o índices espectrales para mapear suelo desnudo en una región urbana/agricultural compleja sigue siendo un desafío. En este estudio, desarrollamos un nuevo índice de suelo desnudo, el Índice de Suelo Desnudo Hiperespectral (HBSI), para mejorar la precisión del mapeo de suelo desnudo por teledetección. Probamos el HBSI utilizando las imágenes multiespectrales de alta resolución espectral AVIRIS-NG y Sentinel-2. Aplicamos un enfoque de modelado en conjunto, que consiste en un bosque aleatorio (RF) y una máquina de soporte vectorial (SVM), para clasificar el suelo desnudo. Encontramos que el HBSI superó a otros índices de suelo desnudo existentes con más del 91% de precisión para Sentinel-2 y AVIRIS-NG. Además, la combinación del HBSI y el índice de vegetación de diferencia normalizada (NDVI) mostró un mejor rendimiento en la clasificación de suelo desnudo, con más del 92% de precisión para las imágenes de Sentinel-2 y más del 97% de precisión para las imágenes de AVIRIS-NG. También, el conjunto RF-SVM superó el rendimiento de los modelos individuales. La novedad del HBSI se debe a su desarrollo, ya que utiliza la banda azul además de las bandas NIR y SWIR2 de los datos de alta resolución espectral de AVIRIS-NG para mejorar la precisión del mapeo de suelo desnudo.