Los guisantes son una de las legumbres cultivadas más importantes en todo el mundo, por lo que las estimaciones tempranas de rendimiento son útiles para la planificación agrícola. Los vehículos aéreos no tripulados (VANT) se han vuelto ampliamente utilizados para las estimaciones de rendimiento de cultivos, debido a su conveniencia operativa. En este estudio, se aplicaron tres tipos de datos de sensores (rojo, verde, azul [RGB], multispectral [MS] y una fusión de RGB y MS) a través de cinco etapas de crecimiento para estimar el rendimiento de los guisantes utilizando aprendizaje en conjunto (EL) y cuatro aprendices base (Cubist, red elástica [EN], vecino más cercano [KNN] y bosque aleatorio [RF]). Los resultados mostraron lo siguiente: (1) el uso de datos de fusión mejoró efectivamente la precisión de la estimación en las cinco etapas de crecimiento en comparación con las estimaciones obtenidas utilizando un solo sensor; (2) la etapa de llenado medio proporcionó la mayor precisión de estimación, con coeficientes de determinación (R2) que alcanzaron hasta 0.81, 0.8, 0.58 y 0.77 para los algoritmos Cubist, EN, KNN y RF, respectivamente; (3) el algoritmo EL logró el mejor rendimiento en la estimación del rendimiento de los guisantes en comparación con los aprendices base; y (4) los diferentes modelos fueron satisfactorios y aplicables para ambos tipos de guisantes investigados. Estos resultados indicaron que la combinación de datos de sensores duales (RGB + MS) de VANT y algoritmos apropiados se puede utilizar para obtener estimaciones de rendimiento de guisantes suficientemente precisas, lo que podría proporcionar información valiosa para la investigación en teledetección agrícola.