La estimación precisa y eficiente de la biomasa aérea (AGB) es importante para el fenotipado de cacahuate y la gestión de campo. Este estudio evalúa características espectrales y texturales derivadas de imágenes multiespectrales obtenidas por vehículos aéreos no tripulados (UAV) para la estimación no destructiva y de alto rendimiento de AGB de cacahuate. Los índices de vegetación (VIs) y las características texturales de la matriz de co-ocurrencia del nivel de gris (GLCM) (TFs) se derivan de las bandas verde, roja, borde rojo y el cercano infrarrojo y se evalúan mediante seis modelos de regresión. Los resultados revelan que las TFs del cercano infrarrojo presentan la mayor sensibilidad a AGB. Entre las configuraciones de GLCM, una configuración con tamaño de ventana 7×7, orientación 45° y 16 niveles de gris produce la representación textural más estable. Aunque la combinación de todos los VIs y TFs mejora ligeramente la precisión de la predicción, las diferencias relativamente grandes entre el coeficiente de determinación (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001c.jpg"/></graphic></alternatives></inline-formula>) y el <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001c.jpg"/></graphic></alternatives></inline-formula> ajustado en algunos modelos sugieren que el conjunto completo de características contiene predictores redundantes y tiene parquedad limitada del modelo. Por lo tanto, se utiliza una estrategia de selección de características basada en XGBoost (Extreme Gradient Boosting) y las explicaciones aditivas de Shapley (SHAP) para identificar cinco variables clave: índice de diferencia de vegetación (DVI), varianza, media, energía e índice modificado de vegetación ajustado al suelo (MSAVI). Este conjunto compacto de características reduce sustancialmente la dimensionalidad de los predictores, limita las diferencias entre el (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M003.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M003c.jpg"/></graphic></alternatives></inline-formula>) y el <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M4"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004c.jpg"/></graphic></alternatives></inline-formula> ajustado a menos de 0.020, y logra una precisión predictiva coherente, con un (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M5"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004c.jpg"/></graphic></alternatives></inline-formula>) superior a 0.840 y el error cuadrático medio ( <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M6"><mi mathvariant="normal">R</mi><mi mathvariant="normal">M</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">E</mi></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M006.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M006c.jpg"/></graphic></alternatives></inline-formula>) por debajo de 0.055 kg/m². El enfoque propuesto proporciona una herramienta práctica para la monitorización de biomasa de cacahuate de alto rendimiento, fenotipado y gestión de producción.

Monitorización de alto rendimiento;Sensado remoto por vehículo aéreo no tripulado (UAV);Cacahuate;Biomasa aérea;Características texturales (TFs)