El oídio, causado por, es una de las principales enfermedades responsables de la reducción en la producción de caucho natural en China. Esta enfermedad es un patógeno típico transmitido por el aire, caracterizado por su capacidad para propagarse a través de corrientes de aire y escalar rápidamente a una epidemia bajo condiciones ambientales favorables. La predicción y determinación precisas del período de prevención y control representan tanto un desafío crítico como un área clave de enfoque en la gestión del oídio en los árboles de caucho. Este estudio investiga los efectos de la concentración de esporas, los factores ambientales y el tiempo de infección en la progresión del oídio en los árboles de caucho. Al emplear seis métodos distintos de construcción de modelos de aprendizaje automático, con el índice de enfermedad del oídio en los árboles de caucho como variable de respuesta y la concentración de esporas, la temperatura, la humedad y el tiempo de infección como variables predictivas, se desarrolló un modelo predictivo preliminar para el índice de enfermedad del oídio en los árboles de caucho. Los resultados de los experimentos de inoculación en interiores indican que la concentración de esporas influye directamente en la progresión y gravedad de la enfermedad. Concentraciones más altas de esporas conducen a un desarrollo más rápido de la enfermedad y a una mayor gravedad. La humedad relativa óptima para el desarrollo del oídio en los árboles de caucho es del 80% HR. A diferentes temperaturas, la influencia de la humedad en el índice de enfermedad varía según la concentración de esporas, exhibiendo tendencias distintas. Cada modelo simula eficazmente la progresión del oídio en los árboles de caucho, con valores predichos que se alinean estrechamente con los datos observados. Entre los modelos, el modelo de Regresión de Ridge con Núcleo (KRR) demuestra la mayor precisión, los valores de R para el conjunto de entrenamiento y el conjunto de prueba fueron 0.978 y 0.964, respectivamente, mientras que los valores de RMSE fueron 4.037 y 4.926, respectivamente. Esta investigación proporciona una base técnica sólida para reducir la intensidad laboral de los métodos de predicción tradicionales y ofrece valiosas ideas para la previsión de enfermedades forestales transmitidas por el aire.