Este estudio investigó la aplicación de imágenes de satélite de alta resolución de los satélites SuperDove combinadas con algoritmos de aprendizaje automático para estimar la variabilidad espacio-temporal de algunos parámetros de trigo de invierno, incluido el contenido relativo de clorofila de la hoja (RCC), contenido relativo de agua (RWC) y materia seca sobre el suelo (DM). La investigación se llevó a cabo en un campo experimental en el sur de Italia durante la temporada de crecimiento de 2024. Diferentes algoritmos de aprendizaje automático (ML) fueron entrenados y comparados utilizando datos de bandas espectrales e índices de vegetación calculados (VIs) como predictores. El rendimiento del modelo se evaluó utilizando R y RMSE. Los modelos de ML probados fueron bosque aleatorio (RF), regresor de vector de soporte (SVR) y aumento extremo de gradiente (XGB). RF superó a los otros algoritmos de ML en la predicción de RCC al utilizar VIs como predictores (R = 0.81) y en la predicción de RWC y DM al utilizar datos de bandas espectrales como predictores (R = 0.71 y 0.87, respectivamente). La explicabilidad del modelo se evaluó con el método SHAP. Un análisis SHAP destacó que GNDVI, Cl1 y NDRE fueron los VIs más importantes para predecir RCC, mientras que las bandas amarilla y roja fueron las más importantes para la predicción de DM, y las bandas amarilla y nir para la predicción de RWC. Se utilizó el mejor modelo encontrado para cada objetivo para modelar su tendencia estacional y producir un mapa de variabilidad. Este enfoque destaca el potencial de integrar ML e imágenes de satélite de alta resolución para el monitoreo remoto del trigo, lo que puede respaldar prácticas agrícolas sostenibles.