El contenido de agua en las hojas (LWC) es un parámetro fisiológico clave para evaluar el estado de humedad del maíz, con implicaciones directas para el crecimiento y rendimiento de los cultivos. La estimación precisa del LWC es esencial para la gestión de recursos hídricos y la agricultura de precisión. Este estudio presenta un método de alta precisión para estimar el LWC del maíz utilizando imágenes multiespectrales basadas en UAV combinadas con un modelo de Regresión de Bosque Aleatorio (RFR). Al extraer índices de vegetación, cobertura de imagen y características de textura e integrarlos con datos de referencia, el estudio examina la variación en la precisión de la estimación del LWC a través de diferentes etapas de crecimiento. Los resultados indican que el modelo RFR tiene un rendimiento óptimo durante la etapa de plántula, con un error cuadrático medio relativo de raíz (RRMSE) del 2.99%, mientras que los errores de estimación son mayores durante la etapa de espigado, con un RRMSE del 4.13%. Además, el modelo RFR supera consistentemente a los modelos de regresión lineal múltiple (MLR) y regresión de cresta (RR) a lo largo de la temporada de crecimiento, demostrando menores errores tanto en los conjuntos de datos de entrenamiento como de prueba. Notablemente, el modelo RFR exhibe errores significativamente reducidos en el conjunto de datos de entrenamiento en comparación con los modelos MLR y RR. Tras la optimización por enjambre de partículas (PSO), la precisión de predicción del modelo RFR se mejora notablemente, con el RRMSE en el conjunto de datos de entrenamiento disminuyendo del 1.46% al 1.19%. Este estudio proporciona un enfoque efectivo para estimar el LWC del maíz a través de diferentes etapas de crecimiento, apoyando la gestión del agua en cultivos y la agricultura de precisión, y ofreciendo valiosas perspectivas para la estimación del contenido de agua en otros cultivos.