Se desarrollaron modelos de predicción de regresión de mínimos cuadrados parciales (PLSR) utilizando imágenes hiperespectrales para la detección no invasiva de los cinco componentes funcionales más representativos en las hojas: contenido de clorofila, carotenoides, fenoles, glucosinolatos y antocianinas. La región de interés para el análisis de componentes funcionales fue seleccionada por selección de polígonos y los espectros promedio extraídos se utilizaron para el desarrollo del modelo. Para el preprocesamiento, se aplicaron 10 combinaciones de filtro Savitzky-Golay (filtro S. G.), variante normal estándar (SNV), corrección de dispersión multiplicativa (MSC), derivada de primer orden (1st-Der), derivada de segundo orden (2nd-Der) y normalización. El error cuadrático medio de calibración (RMSEP) se utilizó para evaluar la precisión del rendimiento de los modelos de predicción construidos. El modelo de predicción para antocianinas totales mostró el mayor nivel de predicción (R = 0.8273; RMSEP = 2.4277). La combinación de preprocesamiento de SNV y 1st-Der con datos espectrales resultó en modelos de predicción de alto rendimiento para el contenido total de clorofila, carotenoides y glucosinolatos. La combinación de preprocesamiento de filtro S. G. y SNV dio la tasa de predicción más alta para fenoles totales. La inclusión de SNV en las condiciones de preprocesamiento fue esencial para desarrollar modelos de predicción precisos de alto rendimiento para los componentes funcionales. Al permitir la visualización de la distribución de componentes funcionales en las imágenes hiperespectrales, los modelos de predicción de PLSR serán valiosos para determinar el momento de la cosecha.