La clorofila es un pigmento esencial para la fotosíntesis en las plantas de té, y las fluctuaciones en su contenido impactan directamente en los procesos de crecimiento y desarrollo de los árboles de té, influyendo así en la calidad final del té. Por lo tanto, lograr un monitoreo en tiempo real, rápido y no destructivo del contenido de clorofila en las hojas (CCH) es beneficioso para la gestión precisa en las plantaciones de té. En este estudio, se aplicaron transformaciones derivadas para preprocesar los datos hiperespectrales del té, seguido por el uso del algoritmo de Muestreo Adaptativo Ponderado Competitivo Estable (SCARS) para la selección de variables de características. Finalmente, se construyeron múltiples modelos de aprendizaje automático individuales y modelos de apilamiento para estimar el CCH del té basado en datos hiperespectrales, con un énfasis particular en analizar cómo la selección de modelos base y meta-modelos afecta el rendimiento predictivo de los modelos de apilamiento. Los resultados indican que el procesamiento derivado mejora la sensibilidad de los datos hiperespectrales al CCH del té; además, en comparación con los modelos de aprendizaje automático individuales, los modelos de apilamiento demuestran una precisión predictiva superior y una mayor capacidad de generalización. Entre las 17 configuraciones de apilamiento construidas, cuando el meta-modelo está fijo, el rendimiento predictivo del modelo de apilamiento mejora continuamente con un aumento en el número y la precisión de los modelos base y con una disminución en la similitud estructural entre los modelos base seleccionados. Por lo tanto, al construir modelos de apilamiento, la combinación de modelos base debe incluir varios modelos con una similitud estructural mínima, asegurando un rendimiento predictivo robusto, y el meta-modelo debe elegirse como un modelo lineal o no lineal simple.