Predecir el rendimiento de los cultivos en pre-cosecha es fundamental para la política agrícola y la toma de decisiones estratégicas. A pesar de los objetivos agrícolas globales, las encuestas intensivas en mano de obra para la estimación de rendimientos plantean desafíos. Utilizando sensores multiespectrales basados en vehículos aéreos no tripulados (UAV), este estudio evaluó la fenología de los cultivos y las condiciones de estrés biótico utilizando varios índices espectrales de vegetación. El objetivo era mejorar la precisión en la predicción de parámetros agrícolas clave, como el índice de área foliar (LAI), el clorofila SPAD y el desarrollo del analizador de suelo y planta, y el rendimiento de grano de maíz. Los hallazgos del estudio demuestran que durante la temporada, el índice de vegetación de rango dinámico amplio (WDRVI) mostró coeficientes de correlación superiores (R), coeficientes de determinación (R) y los errores cuadráticos medios más bajos (RMSE) de 0.92, 0.86 y 0.14, respectivamente. Sin embargo, durante la temporada, el índice de vegetación resistente a la atmósfera (ARVI) logró los valores más altos de R y R y los RMSE más bajos de 0.83, 0.79 y 0.15, respectivamente, lo que indica una mejor precisión en la predicción de la LAI. Por otro lado, el índice de borde rojo de diferencia normalizada (NDRE) durante la temporada y el índice modificado de relación de absorción de clorofila (MCARI) durante la temporada fueron identificados como los predictores con la mayor precisión para la predicción de clorofila SPAD. Específicamente, se obtuvieron valores de R de 0.91 y 0.94, valores de R de 0.83 y 0.82, y valores de RMSE de 2.07 y 3.10, respectivamente. Los índices más efectivos para la predicción de LAI durante la temporada (WDRVI y NDRE) y para la predicción de clorofila SPAD durante la temporada (ARVI y MCARI) fueron utilizados posteriormente para construir un modelo de rendimiento utilizando análisis de regresión paso a paso. La integración de los valores predichos de LAI y clorofila SPAD en el modelo resultó en una mayor precisión en comparación con las predicciones individuales. Más exactamente, los valores de R fueron 0.51 y 0.74, mientras que los valores de RMSE fueron 9.25 y 6.72, durante y las temporadas, respectivamente. Estos hallazgos subrayan la utilidad de la imagen multiespectral basada en UAV en la predicción de los rendimientos de los cultivos, ayudando así en prácticas de gestión sostenible de cultivos y beneficiando tanto a los agricultores como a los responsables de políticas.