La enfermedad de la explosión del arroz es una de las principales enfermedades que afectan a la planta de arroz, impactando significativamente tanto en el rendimiento como en la calidad. Los métodos actuales de detección de la enfermedad de la explosión del arroz dependen principalmente de encuestas manuales en el campo y pruebas de laboratorio, que son ineficientes, inexactas y limitadas en escala. Las tecnologías espectrales e de imagen en la región visible y de infrarrojo cercano (Vis/NIR) han sido ampliamente investigadas para la detección de enfermedades en los cultivos. Este trabajo exploró el potencial de integrar espectros de reflectancia del dosel adquiridos cerca del suelo e imágenes multiespectrales aéreas capturadas con un vehículo aéreo no tripulado (UAV) para estimar los valores de Análisis de Desarrollo de Suelo-Planta (SPAD) y detectar la enfermedad de la explosión de las hojas de arroz en el campo. Los espectros de reflectancia del dosel fueron preprocesados, seguidos de una selección efectiva de bandas. Se calcularon diferentes índices de vegetación (VIs) a partir de las imágenes multiespectrales y se seleccionaron para el establecimiento de modelos según su correlación con los valores de SPAD y la gravedad de la enfermedad. Los espectros de dosel de longitud de onda completa (450-850 nm) se utilizaron primero para establecer modelos de inversión de SPAD y clasificación de la enfermedad de la explosión, demostrando la efectividad de la espectroscopia Vis/NIR para la inversión de SPAD y la detección de la enfermedad de la explosión. Luego, las bandas efectivas seleccionadas de los espectros del dosel, los VIs de UAV y la fusión de los dos fuentes de datos se utilizaron para establecer modelos correspondientes. Los resultados mostraron que todos los modelos de inversión de SPAD y clasificación de enfermedades establecidos con los datos integrados tuvieron un mejor rendimiento que los modelos correspondientes establecidos con una sola fuente de datos aérea o terrestre. Para los modelos de inversión de SPAD, el mejor modelo basado en una sola fuente de datos logró un coeficiente de determinación de validación () de 0.5719 y un error cuadrático medio de validación (RMSECV) de 2.8794, mientras que después de la fusión de datos terrestres y aéreos, estos dos valores mejoraron a 0.6476 y 2.6207, respectivamente. Para los modelos de clasificación de la enfermedad de la explosión, el mejor modelo basado en una sola fuente de datos logró una precisión general de la prueba del 89.01% y un coeficiente Kappa de 0.86, y después de la fusión de datos, los dos valores mejoraron a 96.37% y 0.95, respectivamente. Estos resultados indicaron el potencial significativo de integrar espectros de reflectancia del dosel e imágenes multiespectrales de UAV para detectar enfermedades del arroz en campos extensos.