El contenido de humedad de las plantas (PMC) sirve como un indicador crucial del estado hídrico de los cultivos, afectando directamente la productividad agrícola, la calidad del producto y la eficacia de la irrigación de precisión. Los métodos convencionales para la evaluación del PMC dependen predominantemente de técnicas de muestreo destructivas, que son intensivas en mano de obra e impiden el monitoreo en tiempo real. Este estudio investiga el maíz ensilado cultivado en la región de Hexi en China, aprovechando datos multiespectrales adquiridos a través de un vehículo aéreo no tripulado (UAV) para estimar el PMC en diferentes etapas fenológicas. Se desarrolló un marco de aprendizaje de conjunto apilado, integrando la Red Neuronal de Retropropagación (BPNN), la Regresión Forestal Aleatoria (RFR) y la Regresión de Vectores de Soporte (SVR), con Regresión de Mínimos Cuadrados Parciales (PLSR) empleada para la fusión de características. Los hallazgos indican que la incorporación de índices de vegetación en las variables espectrales mejoró significativamente el rendimiento de la predicción. Los modelos independientes demostraron valores de coeficiente de determinación (R) que van desde 0.43 a 0.69, con un error cuadrático medio (RMSE) que varía de 0.61% a 1.43%. En contraste, el modelo de conjunto mostró una precisión superior, logrando valores de R entre 0.61 y 0.87 y valores de RMSE de 0.54% a 1.38%. Esta metodología ofrece una alternativa escalable y no invasiva para la estimación del PMC, facilitando la optimización de la irrigación basada en datos en regiones con escasez de agua.