La humedad del grano de maíz (CGM) es crítica para estimar el estado de madurez del grano y programar la cosecha. Los métodos tradicionales para determinar el CGM varían desde la exploración manual, análisis de laboratorio destructivos y estimaciones de secado basadas en el clima. Tales métodos son, o bien, que consumen mucho tiempo, costosos, espacialmente inexactos o subjetivos, por lo que son propensos a errores o limitaciones. Al darse cuenta de que la gestión de cosechas de precisión podría ser crítica para extraer el máximo valor del cultivo, este estudio evalúa la estimación del CGM en una etapa previa a la cosecha utilizando imágenes multiespectrales de alta resolución (1.3 cm/píxel) y técnicas de aprendizaje automático. Se recopilaron datos de imágenes aéreas en la temporada de cultivo de 2022 sobre 116 parcelas experimentales de maíz plantadas. Se derivaron un total de 24 índices de vegetación (VIs) de los datos de imágenes junto con información de reflectancia (REF) en el espectro de imágenes azul, verde, rojo, borde rojo y cercano al infrarrojo que se evaluó inicialmente para intercorrelaciones y se sometió a un análisis de componentes principales (PCA). Los VIs, incluidos el Índice de Diferencia Normalizada Verde (GNDVI), el Índice de Clorofila Verde (GCI), el Índice de Vegetación de Porcentaje Infrarrojo (IPVI), el Índice de Relación Simple (SR), el Índice de Diferencia Normalizada de Borde Rojo (NDRE) y el Índice Visible Resistente a la Atmósfera (VARI), tuvieron las correlaciones más altas con el CGM (r: 0.68-0.80). A continuación, se formularon y evaluaron dos modelos estadísticos de última generación y cuatro modelos de aprendizaje automático (ML) (Regresión Lineal Paso a Paso (SLR), Regresión de Mínimos Cuadrados Parciales (PLSR), Red Neuronal Artificial (ANN), Máquina de Vectores de Soporte (SVM), Bosque Aleatorio (RF) y Vecino Más Cercano (KNN)), y sus 120 derivados (seis modelos de ML x dos grupos de entrada (REFs y REFs+VIs) x 10 proporciones de división de datos de entrenamiento-prueba (comenzando en 50:50)) para la estimación del CGM. La precisión de la estimación del CGM se vio afectada por el modelo de ML y la proporción de división de datos de entrenamiento-prueba. Sin embargo, el impacto no fue significativo para los grupos de entrada. Para la validación sobre el conjunto de datos de entrenamiento y el conjunto de datos completo, RF tuvo el mejor rendimiento en una proporción de 95:5, y REFs+VIs como las variables de entrada (rtrain: 0.97, rRMSEtrain: 1.17%, rentire: 0.95, rRMSEentire: 1.37%). Sin embargo, cuando se validó para el conjunto de datos de prueba, un aumento en la proporción de división de entrenamiento-prueba disminuyó el rendimiento de los otros modelos de ML, donde SVM tuvo el mejor rendimiento en una proporción de 50:50 (r = 0.70, rRMSE = 2.58%) y con REFs+VIs como las variables de entrada. La proporción de entrenamiento-prueba de 95:5 mostró el mejor rendimiento en todos los modelos, lo que puede ser una proporción adecuada para conjuntos de datos relativamente pequeños o medianos. Se identificó que RF era el modelo de ML más estable y consistente (r: 0.95, rRMSE: 1.37%). Los hallazgos del estudio indican que la integración de la teledetección aérea y técnicas de datos basadas en ML podría ser útil para predecir de manera confiable el CGM en la etapa previa a la cosecha y desarrollar estrategias de programación y gestión de cosechas de maíz de precisión para los agricultores.