La imagenología hiperespectral ha surgido como una tecnología clave en la investigación agrícola, ofreciendo un medio poderoso para monitorear de manera no invasiva factores de estrés, como la sequía, en cultivos como las plantas de papa. En este contexto, la integración de modelos de aprendizaje profundo basados en atención presenta una vía prometedora para mejorar la eficiencia de la detección de estrés, al permitir la identificación de canales espectrales significativos. Este estudio evalúa el rendimiento de modelos de aprendizaje profundo en dos cultivares de papa expuestos a condiciones de deficiencia de agua. Explora cómo diversas estrategias de muestreo y sesgos impactan las métricas de clasificación utilizando sistemas de imagenología hiperespectral de doble sensor (VNIR - Visible y Cercano Infrarrojo y SWIR - Infrarrojo de Onda Corta). Además, se centra en identificar longitudes de onda cruciales dentro de las imágenes concatenadas indicativas de condiciones de deficiencia de agua. El modelo de aprendizaje profundo propuesto arroja resultados alentadores. En el contexto de clasificación binaria, logró un área bajo la curva de características operativas del receptor (AUC-ROC - Área Bajo la Curva de Características Operativas del Receptor) de 0.74 (IC del 95%: 0.70, 0.78) y 0.64 (IC del 95%: 0.56, 0.69) para las variedades KIS Krka y KIS Savinja, respectivamente. Además, las puntuaciones F1 correspondientes fueron de 0.67 (IC del 95%: 0.64, 0.71) y 0.63 (IC del 95%: 0.56, 0.68). Una evaluación del rendimiento de los conjuntos de datos con sesgos introducidos deliberadamente demostró consistentemente resultados superiores en comparación con sus equivalentes no sesgados. Notablemente, los valores de ROC-AUC mostraron mejoras significativas, registrando un aumento máximo del 10.8% para KIS Krka y del 18.9% para KIS Savinja. Las longitudes de onda de mayor significancia se observaron en los rangos de 475-580 nm, 660-730 nm, 940-970 nm, 1420-1510 nm, 1875-2040 nm y 2350-2480 nm. Estos hallazgos sugieren que discernir entre los dos tratamientos es alcanzable, a pesar de la ausencia de síntomas manifiestos de estrés por sequía en ninguno de los cultivares a través de la observación visual. Los resultados de la investigación tienen implicaciones significativas tanto para la agricultura de precisión como para la mejora de la papa. En la agricultura de precisión, el monitoreo preciso del agua mejora la asignación de recursos, la irrigación, el rendimiento y la prevención de pérdidas. La imagenología hiperespectral tiene el potencial de acelerar la selección de cultivares tolerantes a la sequía, agilizando así la mejora de papas resilientes adaptables a climas cambiantes.