El cambio climático y la escasez de agua presentan desafíos significativos para los sistemas agrícolas en la región mediterránea. Se requieren métodos novedosos para monitorear rápidamente el estrés hídrico de los cultivos y evitar pérdidas cualitativas de productos agrícolas. Este estudio tuvo como objetivo predecir el potencial hídrico del tallo del algodón (L., 1763) utilizando imágenes de satélite Sentinel-2 y técnicas de aprendizaje automático para mejorar el monitoreo y la gestión del estado hídrico del algodón. La investigación se llevó a cabo en Rutigliano, en el sur de Italia, durante la temporada de cultivo de algodón de 2023. Se evaluaron diferentes algoritmos de aprendizaje automático, incluidos el bosque aleatorio, la regresión de vectores de soporte y el aumento de gradiente extremo, utilizando las bandas espectrales de Sentinel-2 como predictores. El rendimiento de los modelos se evaluó utilizando R y el error cuadrático medio (RMSE). La importancia de las características se analizó utilizando métodos de importancia por permutación y SHAP. El modelo de bosque aleatorio que utilizó la reflectancia de las bandas de Sentinel-2 como predictores mostró el mejor rendimiento, con un R de 0.75 (+/-0.07) y un RMSE de 0.11 (+/-0.02). XGBoost (R: 0.73 +/- 0.09, RMSE: 0.12 +/- 0.02) y AdaBoost (R: 0.67 +/- 0.08, RMSE: 0.13 +/- 0.02) siguieron en rendimiento. Las bandas visibles (azul y roja) y las bandas de borde rojo se identificaron como los predictores más influyentes. El modelo de RF entrenado se utilizó para modelar la tendencia estacional del potencial hídrico del tallo del algodón, detectando períodos de estrés hídrico agudo y moderado. Este enfoque demuestra el potencial para un monitoreo de alta frecuencia y no invasivo del estado hídrico del algodón, lo que podría apoyar estrategias de riego inteligente y mejorar la eficiencia en el uso del agua en la producción de algodón mediterráneo.