La biomasa aérea (AGB) del maíz de verano es un indicador importante para evaluar el estado de crecimiento de los cultivos y predecir el rendimiento, desempeñando un papel significativo en la gestión agrícola y la toma de decisiones. Las mediciones tradicionales en el sitio de AGB son limitadas, debido a la baja eficiencia y la falta de información espacial. El desarrollo de la tecnología de vehículos aéreos no tripulados (UAV) en la agricultura ofrece un método rápido y rentable para obtener información sobre el crecimiento de los cultivos, pero actualmente, la precisión de la predicción de AGB del maíz de verano basada en UAV es limitada. Este estudio se centra en todo el período de crecimiento del maíz de verano. Se capturaron imágenes multiespectrales de seis etapas clave de crecimiento del maíz utilizando un DJI Phantom 4 Pro, y se extrajeron índices de color y datos de elevación (DEM) de estas imágenes de etapas de crecimiento. Combinando datos medidos como AGB del maíz de verano y altura de la planta, que se recopilaron en el suelo, y basándose en los tres algoritmos de aprendizaje automático de regresión de mínimos cuadrados parciales (PLSR), bosque aleatorio (RF) y memoria a largo y corto plazo (LSTM), se llevó a cabo un análisis de características de entrada de PH, y se construyó un modelo de predicción de AGB del maíz de verano. Los resultados muestran que: (1) utilizar datos espectrales de vehículos aéreos no tripulados (CIS) por sí solos para predecir la biomasa del maíz de verano tiene una precisión de predicción relativamente baja. Entre los tres modelos, el modelo LSTM (CIS) tiene el mejor efecto de simulación, con un coeficiente de determinación (R) que varía de 0.516 a 0.649. El R del modelo RF (CIS) es de 0.446-0.537. El R del modelo PLSR (CIS) es de 0.323-0.401. (2) Después de agregar datos de altura de la planta (PH), la precisión y estabilidad de la predicción del modelo mejoraron significativamente. R aumentó aproximadamente un 25%, y tanto RMSE como NRSME disminuyeron alrededor de un 20%. Entre los tres modelos de predicción, el modelo LSTM (PH + CIS) tuvo el mejor rendimiento, con R = 0.744, error cuadrático medio (RSME) = 4.833 g, y error cuadrático medio normalizado (NRSME) = 0.107. En comparación con el uso solo de índices de color (CIS) como entrada del modelo, agregar la altura de la planta (PH) mejora significativamente el efecto de predicción de AGB (biomasa aérea) en períodos clave de crecimiento del maíz de verano. Este método puede servir como referencia para el monitoreo preciso del estado de la biomasa de los cultivos a través de la teledetección con vehículos aéreos no tripulados.