Los sensores multiespectrales a bordo de vehículos aéreos no tripulados (UAV) han demostrado ser precisos y rápidos para predecir el rendimiento de la caña de azúcar. Sin embargo, todavía existen desafíos para un enfoque confiable. En este estudio, proponemos predecir parámetros biométricos de la caña de azúcar utilizando algoritmos de aprendizaje automático (ML) y datos multitemporales a través del análisis de imágenes multiespectrales de los sensores a bordo de UAV. La investigación se realizó en cinco variedades de caña de azúcar, como una forma de lograr un enfoque robusto. Las imágenes multiespectrales se recopilaron cada 40 días y los parámetros biométricos evaluados fueron: número de macollos (NT), altura de la planta (PH) y diámetro del tallo (SD). Se utilizaron dos modelos de ML: regresión lineal múltiple (MLR) y bosque aleatorio (RF). Los resultados mostraron que los modelos para predecir NT, PH y SD de la caña de azúcar utilizando series temporales y algoritmos de ML tuvieron predicciones precisas y exactas. Las bandas espectrales Azul, Verde y NIR proporcionaron el mejor rendimiento en la predicción de atributos biométricos de la caña de azúcar. Estos hallazgos amplían las posibilidades de utilizar imágenes multiespectrales de UAV en la predicción del rendimiento de la caña de azúcar, especialmente al incluir parámetros biofísicos.