<p>Irrigation efficiency is vital for sustaining potato productivity under increasing climate variability and global water scarcity. As a shallow-rooted, water-sensitive crop, potato requires precise irrigation scheduling to optimize yield and tuber quality. Recent advances in remote sensing and machine learning (ML) have enabled high-resolution monitoring of crop water status, offering promising tools for automated irrigation management. This systematic review synthesizes research from 49 peer-reviewed studies (2000–2025), identified through Scopus and Web of Science using PRISMA guidelines. The findings highlight a growing use of UAV-based multispectral and thermal imaging to estimate evapotranspiration, soil moisture, and canopy temperature. ML algorithms, particularly random forest (RF), support vector machine (SVM), and partial least squares regression (PLSR), have been used to model crop water needs. However, gaps remain in the application of UAV-based hyperspectral imaging, root-zone moisture modeling, and accurate crop coefficient (K_c) estimation. Common challenges include cloud interference, limited field-scale validation, and poor system interoperability. To achieve scalable and site-specific irrigation in potato systems, future research should prioritize sensor fusion, robust model development across diverse environments, and user-focused decision support tools. Addressing these gaps is essential for advancing sustainable irrigation strategies tailored to potato’s unique water requirements.&#xa0;</p><p>Resumen La eficiencia del riego es vital para mantener la productividad de la papa bajo la creciente variabilidad climática y la escasez mundial de agua. Como cultivo de raíces superficiales y sensible al agua, la papa requiere una programación de riego precisa para optimizar el rendimiento y la calidad de los tubérculos. Los avances recientes en teledetección y aprendizaje automático (ML) han permitido el monitoreo de alta resolución del estado del agua de los cultivos, ofreciendo herramientas prometedoras para la gestión automatizada del riego. Esta revisión sistemática sintetiza la investigación de 49 estudios revisados por pares (2000-2025), identificados a través de Scopus y red de ciencias (Web of Science) utilizando las pautas PRISMA. Los hallazgos destacan un uso creciente de imágenes térmicas y multiespectrales basadas en UAV para estimar la evapotranspiración, la humedad del suelo y la temperatura del dosel. Los algoritmos de ML, en particular los bosques aleatorios, las máquinas de vectores de soporte y la regresión de mínimos cuadrados parciales, se han utilizado para modelar las necesidades de agua de los cultivos. Sin embargo, siguen existiendo lagunas en la aplicación de imágenes hiperespectrales basadas en UAV, el modelado de la humedad de la zona radical y la estimación precisa del coeficiente de cultivo (Kc). Los desafíos comunes incluyen interferencia en la nube, validación limitada a escala de campo y poca interoperabilidad del sistema. Para lograr un riego escalable y específico del sitio en los sistemas de papa, la investigación futura debe priorizar la fusión de sensores, el desarrollo de modelos sólidos en diversos entornos y herramientas de apoyo a la toma de decisiones centradas en el usuario. Abordar estas brechas es esencial para avanzar en estrategias de riego sostenibles adaptadas a los requisitos únicos de agua de la papa.</p>