La agricultura de precisión tiene como objetivo mejorar la gestión de cultivos utilizando herramientas analíticas avanzadas. En este contexto, el objetivo de este estudio es desarrollar un modelo predictivo innovador para estimar el rendimiento y la calidad morfológica, como la circularidad y la relación longitud-anchura de los tubérculos de papa, basado en características fenotípicas de las plantas y datos capturados a través de cámaras espectrales equipadas en UAVs. Para este fin, el experimento se llevó a cabo en la Estación Experimental de Santa Ana en los Andes centrales del Perú, donde se plantaron clones avanzados de papa en diciembre de 2023 bajo tres niveles de fertilización. Se utilizaron modelos de Random Forest, XGBoost y Máquina de Vectores de Soporte para predecir el rendimiento y parámetros de calidad, como la circularidad y la relación longitud-anchura. Los resultados mostraron que Random Forest y XGBoost lograron una alta precisión en la predicción del rendimiento (R > 0.74). En contraste, la predicción de la calidad morfológica fue menos precisa, destacándose Random Forest como el modelo más confiable (R = 0.55 para circularidad). Los datos espectrales mejoraron significativamente la capacidad predictiva en comparación con los datos agronómicos solos. Concluimos que la integración de índices espectrales y datos multitemporales en modelos predictivos mejoró la precisión en la estimación del rendimiento y ciertos rasgos morfológicos, ofreciendo oportunidades clave para optimizar la gestión agrícola.