La recuperación precisa de los rasgos de los pastizales es importante para apoyar la gestión de la producción de pasto y los estudios de fenotipado. En general, los métodos convencionales utilizados para medir el rendimiento y la calidad del forraje dependen de muestreos destructivos costosos y análisis de laboratorio, lo cual a menudo no es viable en aplicaciones prácticas. Los sistemas de imágenes ópticas transportados como carga en plataformas de Vehículos Aéreos No Tripulados (VANT) han sido propuestos cada vez más como soluciones alternativas no destructivas para la caracterización y el monitoreo de cultivos. La respuesta espectral de la vegetación en longitudes de onda visibles y en el infrarrojo cercano proporciona información sobre muchos aspectos de su composición y estructura. Combinando mediciones espectrales y enfoques de modelado multivariado, es posible representar la relación a menudo compleja entre la reflectancia del dosel y rasgos específicos de las plantas. Sin embargo, los modelos empíricos son limitados y representan estrictamente las características de las observaciones utilizadas durante el entrenamiento del modelo, por lo que tienen un bajo potencial de generalización. Un método para mitigar este problema consiste en agregar muestras informativas del dominio objetivo (es decir, nuevas observaciones) al conjunto de datos de entrenamiento. Este enfoque busca un compromiso entre representar la variabilidad en los nuevos datos y seleccionar solo un número mínimo de muestras adicionales para la transferencia de calibración. En este estudio, se implementó y probó un método para elegir activamente nuevas muestras de entrenamiento basadas en su diversidad espectral y la incertidumbre de predicción utilizando un conjunto de datos multi-anual. Se obtuvieron predicciones precisas utilizando imágenes hiperespectrales y modelos multivariados lineales (Regresión de Mínimos Cuadrados Parciales - PLSR) para la materia seca (MS; R2 = 0.92, RMSE = 3.25 dt ha-1), contenido de nitrógeno (N) en % de MS (R2 = 0.58, RMSE = 0.27%) y absorción de N (R2 = 0.91, RMSE = 6.50 kg ha-1). Además, el número de muestras de las fechas objetivo añadidas al conjunto de datos de entrenamiento podría reducirse hasta en un 77% y un 74% para los rasgos relacionados con la MS y el N, respectivamente, después de la transferencia del modelo. A pesar de esta reducción, los valores de RMSE para los conjuntos de transferencia óptimos (identificados después de la validación y utilizados como referencia) fueron solo un 20-30% más bajos que los valores obtenidos después de la transferencia del modelo basada en la reducción de la incertidumbre de predicción, lo que indica que la pérdida de precisión fue relativamente pequeña. Estos resultados demuestran que enfoques considerablemente simples basados en datos hiperespectrales de VANT pueden aplicarse en marcos de monitoreo preliminar de pastizales, incluso con conjuntos de datos limitados.