El monitoreo de las condiciones de crecimiento de los cultivos durante la temporada de crecimiento proporciona información sobre los nutrientes del suelo disponibles y el estado de salud de los cultivos, que son importantes para las prácticas de gestión agrícola. El crecimiento de los cultivos varía con frecuencia debido a las prácticas de gestión agrícola y al clima específico del sitio. Estas variaciones pueden surgir de heterogeneidades a escala subcampo en la composición del suelo, niveles de humedad, luz solar y enfermedades. Por lo tanto, las propiedades del suelo y los datos biofísicos de los cultivos son útiles para predecir el desarrollo de los cultivos a escala de campo. Este estudio investiga los datos del suelo y los índices espectrales derivados de imágenes multiespectrales de vehículos aéreos no tripulados (UAV) para predecir la altura de los cultivos en dos granjas de trigo de invierno. Los conjuntos de datos se investigaron utilizando algoritmos de regresión de aprendizaje automático como Regresión de Proceso Gaussiano (GPR), Regresión de Conjunto (ER), Árbol de Decisión (DT) y Máquina de Vectores de Soporte (SVM). Los hallazgos mostraron que GPR (R2 = 0.69 a 0.74, RMSE = 15.95 a 17.91 cm) tiene una precisión superior en todos los modelos al usar índices de vegetación (VIs) para predecir el crecimiento de los cultivos en ambas granjas de trigo. Además, la importancia de las variables generada utilizando el modelo GPR mostró que el Índice de Vegetación de Diferencia Normalizada RedEdge (RENDVI) tuvo la mayor influencia en la predicción de la altura del cultivo de trigo en comparación con las otras variables predictoras. Las propiedades del suelo de arcilla, calcio (Ca), magnesio (Mg) y potasio (K) tienen una correlación positiva moderada con la altura de los cultivos. Los hallazgos de este estudio mostraron que la integración de índices de vegetación y propiedades del suelo predice con precisión la altura de los cultivos. Sin embargo, el uso de los índices de vegetación de manera independiente fue más preciso al predecir la altura de los cultivos. Los resultados de este estudio son beneficiosos para mejorar la gestión agronómica dentro de la temporada en función de las tendencias de altura de los cultivos. Por lo tanto, los agricultores pueden centrarse en utilizar VIs rentables para monitorear áreas particulares que experimentan estrés en los cultivos.