Este estudio tuvo como objetivo abordar el desafío de monitorear y gestionar la humedad del suelo en la agricultura de secano con riego suplementario bajo condiciones climáticas cada vez más extremas. Utilizando vehículos aéreos no tripulados (UAV) equipados con sensores hiperespectrales, recopilamos imágenes de campos de trigo en la isla Kinmen en varias etapas de crecimiento. Se calculó el Índice de Sequía Perpendicular Modificado (MPDI) para cuantificar las condiciones de sequía del suelo. Al mismo tiempo, se recolectaron muestras de suelo para medir el contenido real de humedad del suelo. Estos conjuntos de datos se utilizaron para desarrollar un modelo de Regresión por Aumento de Gradiente (GBR) para estimar la humedad del suelo en todo el campo. El modelo basado en IA resultante puede guiar las decisiones sobre el momento y la escala del riego suplementario, asegurando que el agua se aplique solo cuando sea necesario durante el crecimiento de los cultivos. Además, se utilizaron los valores de MPDI y muestras de espigas de trigo para construir otro modelo GBR para la predicción de rendimiento. Al aplicar los valores de MPDI de imágenes multiespectrales recopiladas en una etapa similar en el año siguiente, el modelo logró una precisión de predicción de más del 90%. El enfoque propuesto ofrece una solución confiable para mejorar la resiliencia y productividad de los cultivos de secano bajo estrés climático y demuestra el potencial de integrar la teledetección y el aprendizaje automático en la gestión precisa del agua.