El índice de área foliar (LAI) es un indicador importante para el monitoreo del crecimiento de cultivos. Este estudio tiene como objetivo analizar los efectos de diferentes estrategias de fusión de datos en el rendimiento de los modelos de predicción de LAI, utilizando imágenes multisource de vehículos aéreos no tripulados (UAV). Para este propósito, se realizaron experimentos en campos de maíz para obtener plantas con diferentes estados de crecimiento. Se recopilaron imágenes de LAI y correspondientes multispectrales (MS) y RGB en diferentes etapas de crecimiento del maíz. Con base en estos datos, se crearon diferentes escenarios de diseño de modelos, incluyendo escenarios de imágenes de fuente única, escenarios de fusión de datos multisource a nivel de píxel y escenarios de fusión de datos multisource a nivel de características. Luego, se utilizó la regresión lineal múltiple por pasos (SMLR) para diseñar modelos de predicción de LAI. Se comparó el rendimiento de los modelos y los resultados mostraron que (i) combinar características espectrales y de textura para predecir LAI tiene un mejor rendimiento que usar solo información espectral o de textura; (ii) en comparación con el uso de imágenes de fuente única, utilizar una estrategia de fusión de datos multisource puede mejorar el rendimiento del modelo para predecir LAI; y (iii) entre las diferentes estrategias de fusión de datos multisource, la estrategia de fusión de datos a nivel de características tuvo un mejor rendimiento que la estrategia de fusión a nivel de píxel en los modelos de predicción de LAI. Por lo tanto, se recomienda una estrategia de fusión de datos a nivel de características para la creación de modelos de predicción de LAI de maíz utilizando imágenes multisource de UAV.