La predicción de rendimiento es una gestión agrícola importante para la toma de decisiones de políticas de cultivos. En los últimos años, los vehículos aéreos no tripulados (UAV) y la tecnología de sensores espectrales se han utilizado ampliamente en la producción de cultivos. Este estudio tiene como objetivo evaluar la capacidad de los UAV equipados con sensores espectrales para predecir el rendimiento de la colza. En un experimento, se capturaron imágenes RGB e hiperespectrales utilizando un UAV en las etapas de plántula (S1), brotación (S2), floración (S3) y vaina (S4) en plantas de colza. La reflectancia del dosel y los índices espectrales de la colza fueron extraídos y calculados a partir de las imágenes hiperespectrales. Después del análisis de correlación y del análisis de componentes principales (PCA), se seleccionaron los índices espectrales de entrada para construir modelos de predicción de rendimiento utilizando regresión forestal aleatoria (RF), regresión lineal múltiple (MLR) y regresión de máquina de vectores de soporte (SVM). Los resultados mostraron que los UAV equipados con sensores espectrales tienen un gran potencial para predecir el rendimiento de los cultivos a gran escala. Enfoques de aprendizaje automático como RF pueden mejorar la precisión de los modelos de rendimiento en comparación con métodos tradicionales (por ejemplo, MLR). El modelo de entrenamiento basado en RF tuvo el coeficiente de determinación más alto (R) (0,925) y el error cuadrático medio relativo más bajo (RRMSE) (5,91%). En las pruebas, el modelo basado en MLR tuvo el R más alto (0,732) y el RRMSE más bajo (11,26%). Además, encontramos que S2 fue la mejor etapa para predecir el rendimiento de la colza en comparación con las otras etapas de crecimiento. Este estudio demuestra una predicción relativamente precisa del rendimiento de los cultivos y proporciona información valiosa para la gestión de cultivos en campo.