Los trips constituyen la principal plaga responsable de reducir el rendimiento y la calidad del mango cada año en Asia. Por lo tanto, el monitoreo eficiente del daño causado por los trips en los huertos de mango a gran escala para ayudar a los agricultores a idear estrategias racionales de aplicación de pesticidas plantea un desafío significativo dentro de la industria del mango actual. Este estudio diseña un método de predicción de inversión de daño por trips en mango basado en el clasificador de máxima verosimilitud (MLC). Inicialmente, se utiliza la tecnología de teledetección multiespectral de drones para adquirir datos multiespectrales de los huertos de mango, que luego se combinan con información hiperespectral terrestre para identificar bandas sensibles indicativas de daño en las hojas de mango causado por trips. Posteriormente, se realiza un análisis de correlación en varios índices de vegetación, lo que lleva a la selección del Índice de Vegetación de Diferencia Normalizada de Verde (GNDVI), que exhibe un coeficiente de correlación fuerte de 0.82, como el parámetro característico espectral para el modelo de predicción de inversión. Luego se lleva a cabo la construcción de un modelo de predicción de teledetección para la distribución del daño por trips en los huertos de mango basado en el MLC. Reconociendo el compromiso sesgo-varianza inherente en el MLC al procesar datos espectrales y sus posibles limitaciones en la extracción de características y robustez, este estudio propone una modificación en la que los píxeles vecinos se ponderan de manera diferente para mejorar las capacidades de extracción de características del modelo. Los resultados experimentales muestran que el novedoso MLC mantiene niveles de estimación estables en varios números de píxeles de dominio, logrando una precisión de inversión del 91.23%. A través de la reconstrucción de la matriz de píxeles, la distribución del daño de los trips en los huertos de mango puede ser visualizada de manera rápida y completa en áreas extensas.