La detección temprana de enfermedades en las plantas es crucial para la producción agrícola sostenible y la seguridad alimentaria. La roya del tallo, causada por f. sp., representa una amenaza importante para el trigo y la cebada. Este estudio evalúa la viabilidad de utilizar imágenes hiperespectrales y aprendizaje automático para la detección temprana de la roya del tallo y examina la transferibilidad de los modelos de diagnóstico entre cultivos. Se recopilaron conjuntos de datos hiperespectrales de trigo (L.) y cebada (L.) bajo condiciones controladas, antes de que aparecieran síntomas visibles. Se aplicó un preprocesamiento en múltiples etapas, que incluyó normalización y estandarización espectral, para mejorar la calidad de los datos. La ingeniería de características se centró en la morfología de la curva espectral utilizando derivadas de primer orden, transformaciones categóricas y descriptores basados en extremos. Los modelos basados en Máquinas de Vectores de Soporte, Regresión Logística y Light Gradient Boosting Machine fueron optimizados a través de búsqueda bayesiana. El conjunto de características con mejor rendimiento logró puntuaciones F1 de hasta 0.962 en trigo y 0.94 en cebada. La transferibilidad entre cultivos se evaluó utilizando validación cruzada de dominio cero. Se confirmó una alta transferibilidad del modelo, con F1 > 0.94 y mínimos falsos negativos.