La altura del dosel de los cultivos es un indicador estructural clave que está fuertemente asociado con el desarrollo de los cultivos, la acumulación de biomasa y la salud de los cultivos. Para superar las limitaciones de las mediciones tradicionales en campo, que son laboriosas y consumen mucho tiempo, la detección y medición de luz mediante vehículos aéreos no tripulados (UAV) ofrece una alternativa eficiente al capturar datos de nubes de puntos tridimensionales (PCD). En este estudio, se adquirieron datos de UAV-LiDAR utilizando un DJI Matrice 600 Pro equipado con un sistema LiDAR de 16 canales. Se evaluaron tres enfoques metodológicos para la estimación de la altura del dosel en tres tipos de cultivos: maíz, soja y trigo de invierno. Específicamente, este estudio evaluó la modelización de regresión de aprendizaje automático, técnicas de clasificación de puntos en el suelo, un método basado en percentiles y un nuevo método propuesto de Promedio de Doble Rango (DRA) para identificar el método más efectivo, asegurando al mismo tiempo la practicidad y la reproducibilidad. El método de mejor rendimiento para el maíz fue la Regresión de Vector de Soporte (SVR) con un núcleo lineal (R2 = 0.95, RMSE = 0.137 m). Para la soja, el método DRA obtuvo la mayor precisión (R2 = 0.93, RMSE = 0.032 m). Para el trigo de invierno, el modelo de aprendizaje profundo PointCNN demostró el mejor rendimiento (R2 = 0.93, RMSE = 0.046 m). Estos resultados destacan la efectividad de integrar datos de UAV-LiDAR con métodos de procesamiento optimizados para una estimación precisa y ampliamente aplicable de la altura de los cultivos en apoyo a las prácticas de agricultura de precisión.