La adquisición rápida y precisa de información sobre la humedad del suelo (SM) es esencial. Aunque la tecnología de teledetección de vehículos aéreos no tripulados (UAV) ha avanzado significativamente en el monitoreo de SM, los estudios existentes se centran predominantemente en el desarrollo de modelos adaptados a regiones específicas. La transferibilidad de estos modelos entre diferentes regiones sigue siendo un desafío considerable. Por lo tanto, este estudio propone un marco basado en aprendizaje de transferencia, utilizando dos cuencas hidrográficas agrícolas pequeñas representativas (región de Hongxing y región de Woniutu) en el noreste de China como estudios de caso. Este marco implica pre-entrenar un modelo en un dominio fuente y ajustarlo con un conjunto limitado de muestras de dominio objetivo para lograr una inversión de SM de alta precisión. Este estudio evalúa el rendimiento de tres algoritmos: Bosque Aleatorio (RF), Red Neuronal Convolucional (CNN) y Red de Memoria a Corto y Largo Plazo (LSTM). Los resultados muestran que el modelo ajustado mitiga significativamente la disminución en la precisión de predicción causada por diferencias regionales. El modelo LSTM ajustado logró la mayor precisión de recuperación, con los siguientes resultados: 10% de muestras (R = 0.615, RRMSE = 15.583%), 30% de muestras (R = 0.682, RRMSE = 13.97%) y 50% de muestras (R = 0.767, RRMSE = 16.321%). Entre estos modelos, el modelo LSTM mostró la mejora de rendimiento más significativa y la mejor transferibilidad. Este estudio destaca el potencial del aprendizaje de transferencia para mejorar el monitoreo de SM entre regiones y proporcionar ideas valiosas para el futuro monitoreo de SM basado en UAV.