Este estudio explora el uso de imágenes hiperespectrales para detectar enfermedades del trigo de primavera en varias etapas de su desarrollo, basándose en las características espectrales distintivas de las plantas sanas y enfermas. La investigación se centra en varias enfermedades comunes del trigo, incluyendo el oídio, la pudrición de la cabeza por fusarium, la pudrición de raíces, diversas enfermedades de manchas foliares, la mancha foliar de septoria, el óxido marrón y el carbón suelto. Se encontró que las enfermedades con un recubrimiento claro reflejan más luz y muestran altos valores de reflectancia (60-80%), mientras que las enfermedades acompañadas de esporas oscuras absorben la mayor parte de la radiación entrante y exhiben bajos valores de reflectancia (7-10%). Estas diferencias crean patrones espectrales distintos que permiten una diferenciación confiable entre los tipos de infecciones. Utilizando estos patrones, se desarrolló un modelo de clasificación de aprendizaje automático basado en el algoritmo Random Forest para detectar enfermedades del trigo automáticamente con una alta precisión del 94%. Este método supera a otros enfoques de aprendizaje automático en métricas cualitativas y cuantitativas de detección de enfermedades. El estudio demuestra que combinar imágenes hiperespectrales con visión por computadora y aprendizaje automático proporciona una herramienta efectiva para monitorear la salud de las plantas. Este enfoque es especialmente valioso en regiones donde el trigo es un componente crítico de la seguridad alimentaria. La detección precisa de enfermedades permite a los agricultores tomar medidas oportunas y específicas, reduciendo las pérdidas de cultivos y minimizando el uso de pesticidas, promoviendo así prácticas agrícolas más sostenibles.