La agricultura de precisión (AP) utiliza la variabilidad espacial y temporal para mejorar la sostenibilidad y eficiencia de las prácticas agrícolas. Este estudio utilizó imágenes de alta resolución de UAS para evaluar la variabilidad del rendimiento del maíz en tres campos en Ghana: Sombolouna, Tilli y Yendi, aprovechando el potencial de la tecnología UAS en AP. Inicialmente, se utilizó la clasificación del índice verde excesivo (IGE) para diferenciar entre suelo desnudo, vegetación muerta y vegetación próspera, incluyendo maíz y malezas. La vegetación próspera se clasificó aún más en maíz y malezas, y se desarrollaron sus correspondientes rásteres. Se aplicó la diferencia normal del borde rojo (DNRE) para evaluar la salud del maíz. El algoritmo de rupturas naturales de Jenks clasificó los rásteres de maíz en zonas de rendimiento diferencial bajo, medio y alto (ZRD). Se determinó el porcentaje de espacios desnudos, coberturas de maíz, coberturas de malezas y producción total de maíz. Variaciones significativas en las condiciones del campo mostraron que Yendi tenía el 34% de su campo como desnudo, Tilli tenía la mayor cobertura de malezas con un 22%, y Sombolouna tenía la mayor cobertura de cultivo de maíz con un 73.9%. Los rendimientos de maíz variaron desde 860 kg ha-1 en la ZRD baja hasta 4900 kg ha-1 en la ZRD alta. Aunque los rendimientos en Sombolouna y Tilli fueron similares, ambos campos superaron significativamente a Yendi. El análisis de escenarios sugirió que mejorar las prácticas de gestión para elevar las ZRD bajas a niveles medios podría aumentar la producción en un 2.1%, mientras que mejoras adicionales para elevar las ZRD bajas y medias a niveles altos podrían aumentar la productividad hasta en un 20%.