La predicción oportuna y precisa del rendimiento de los cultivos antes de la cosecha es vital para una gestión agrícola precisa. Los vehículos aéreos no tripulados (UAV) ofrecen un enfoque rápido y conveniente para la predicción del rendimiento de los cultivos, pero la mayoría de los modelos de rendimiento de cultivos existentes rara vez se han probado en diferentes años, cultivares y sensores. Esto ha limitado la capacidad de estos modelos de rendimiento para ser transferidos a otros años o regiones o para ser potencialmente utilizados con datos de otros sensores. En este estudio, se utilizó imágenes multiespectrales basadas en UAV para predecir el rendimiento de grano de arroz en las etapas de macollaje y llenado a partir de cuatro experimentos de campo, que involucraron tres años, dos cultivares de arroz y dos sensores UAV. Se extrajeron características de reflectancia y textura de las imágenes del UAV, y se calcularon índices de vegetación (IV) e índices de textura de diferencia normalizada (NDTI). Los modelos fueron validados de manera independiente para probar la estabilidad y transferibilidad a través de años, cultivares de arroz y sensores. Los resultados mostraron que el índice de textura de diferencia normalizada del borde rojo (RENDTI) fue superior a otros índices de textura e índices de vegetación para la regresión del modelo con el rendimiento de grano en la mayoría de los casos. Sin embargo, el índice de textura de diferencia normalizada verde (GNDTI) logró la mayor precisión de predicción en la validación del modelo a través de cultivares de arroz y sensores. El modelo de predicción de rendimiento del arroz Japonica logró una mayor transferibilidad al arroz Indica con un error cuadrático medio (RMSE), sesgo y RMSE relativo (RRMSE) de 1.16 t/ha, 0.08 y 11.04%, respectivamente. La transferibilidad del modelo mejoró significativamente entre diferentes sensores después de la corrección de bandas con una disminución del 15.05-59.99% en RRMSE. Se encontró que el bosque aleatorio (RF) era una buena solución para mejorar la transferibilidad del modelo a través de diferentes años y cultivares y obtuvo la mayor precisión de predicción con RMSE, sesgo y RRMSE de 0.94 t/ha, -0.21 y 9.37%, respectivamente. Este estudio proporciona una referencia valiosa para la predicción del rendimiento de cultivos cuando los modelos existentes se transfieren a través de diferentes años, cultivares y sensores.