La predicción de las condiciones de humedad del suelo utilizando datos multiespectrales de vehículos aéreos no tripulados (UAVs) tiene ventajas sobre las mediciones terrestres en términos de costos y alcance de monitoreo. Sin embargo, la precisión de la predicción de las condiciones de humedad utilizando solo datos espectrales es baja. En este estudio, se evaluaron las relaciones entre los déficits de agua y las características fenotípicas en avena y se utilizaron para desarrollar un modelo de predicción de agua basado en datos multiespectrales de UAV. Los índices de vegetación NDRE (Índice de Diferencia Normalizada de Borde Rojo), CIG (Índice de Clorofila) y MCARI (Índice de Absorción de Clorofila Modificado en Reflectancia) estaban altamente correlacionados con el rendimiento de la avena. Con base en un análisis multipaso en el marco de modelado de ecuaciones estructurales, el riego ( < 0.01), el índice de área foliar (LAI) ( < 0.001) y SPAD ( < 0.001) tuvieron efectos directos positivos en NDRE. Se emplearon tres enfoques distintos de aprendizaje automático: regresión lineal (LR), bosque aleatorio (RF) y red neuronal artificial (ANN) para establecer modelos predictivos entre el Índice de Diferencia Normalizada de Borde Rojo (NDRE) y el contenido de agua en el suelo (SWC). El modelo de regresión lineal mostró una correlación moderada ( = 0.533). Los enfoques de aprendizaje automático demostraron un rendimiento notablemente superior (RF: = 0.828; ANN: = 0.810). Los algoritmos de aprendizaje automático no lineales (RF y ANN) superan significativamente a la regresión lineal convencional en la estimación de SWC a partir de índices espectrales de vegetación.