En este estudio, proponemos un enfoque de aprendizaje profundo escalable para la fenotipificación automatizada utilizando imágenes multiespectrales de UAV, ejemplificado por la detección de óxido amarillo en trigo de invierno. Adoptamos un método de puntuación de alta granularidad (escala de 1 a 9) para alinearnos con los estándares internacionales y las necesidades de los fitomejoradores. Al utilizar una resolución espacial más baja (altura de vuelo de 60 m a 2.5 cm de GSD), reducimos el volumen de datos en un factor de 3.4, haciendo que la fenotipificación a gran escala sea más rápida y rentable, mientras obtenemos resultados comparables a los del estado del arte. Nuestro modelo incorpora componentes de explicabilidad para optimizar bandas espectrales y horarios de vuelo, logrando precisiones entre las tres mejores de 0.87 para la validación y 0.67 y 0.70 en dos conjuntos de prueba separados. Demostramos que un conjunto mínimo de bandas (EVI, Rojo y GNDVI) puede lograr resultados comparables a configuraciones más complejas, destacando el potencial de soluciones rentables. Además, mostramos que se puede mantener un alto rendimiento con menos pasos de tiempo, reduciendo la complejidad operativa. Nuestros componentes de modelo interpretables mejoran el rendimiento a través de la regularización y proporcionan información útil para agrónomos y fitomejoradores. Este enfoque escalable y explicable ofrece una solución eficiente para la fenotipificación del óxido amarillo y puede adaptarse a otros fenotipos y especies, con trabajos futuros centrados en optimizar el equilibrio entre resoluciones espaciales, espectrales y temporales.