Con la evolución de la agricultura moderna y la agricultura de precisión, la detección eficiente y precisa de enfermedades de los cultivos ha surgido como un enfoque de investigación fundamental. En este estudio, se presenta un método interpretativo de detección de enfermedades del arroz de alta precisión, que integra datos multisource y aprendizaje por transferencia. Este enfoque aprovecha diversos tipos de datos, incluyendo imágenes, condiciones climáticas y atributos del suelo, facilitando la extracción de información enriquecida y mejorando la precisión de la detección. La incorporación del aprendizaje por transferencia otorga al modelo capacidades de generalización robustas, permitiendo una rápida adaptación a diferentes entornos agrícolas. Además, la interpretabilidad del modelo garantiza transparencia en sus procesos de toma de decisiones, generando confianza para aplicaciones en el mundo real. Los resultados experimentales demuestran un rendimiento superior del método propuesto en múltiples conjuntos de datos en comparación con modelos avanzados de aprendizaje profundo y técnicas tradicionales de aprendizaje automático. En conjunto, esta investigación ofrece una nueva perspectiva y herramientas para la detección de enfermedades agrícolas, sentando una base sólida para el futuro avance de la agricultura.