El Índice de Área Foliar (LAI) es un indicador crucial del potencial fotosintético de los cultivos, lo cual es de gran importancia en la monitorización de terrenos de cultivo y la gestión de precisión. Este estudio tuvo como objetivo predecir el LAI de plantas de papa para la monitorización del crecimiento de las plantas de papa, integrando datos espectrales, texturales y morfológicos a través de imágenes de UAV y aprendizaje automático. Se estableció un nuevo índice de textura llamado VITs mediante la fusión de información de múltiples canales. Se obtuvieron características de crecimiento de la vegetación (Vis y altura de la planta Hdsm) y características de textura (TIs y VITs) a partir de imágenes digitales de drones. Se adoptaron varias combinaciones de características (VIs, VIs + TIs, VIs + VITs, VIs + VITs + H) en tres etapas de crecimiento para monitorizar el LAI de las plantas de papa utilizando Regresión de Mínimos Cuadrados Parciales (PLSR), Regresión de Vectores de Soporte (SVR), bosque aleatorio (RF) y aumento extremo de gradientes (XGBoost), con el fin de encontrar las mejores combinaciones de características y método de aprendizaje automático. Se probó el rendimiento de los recién creados VITs. En comparación con los TIs tradicionales, la precisión de estimación mejoró notablemente para todas las etapas de crecimiento y métodos, especialmente en la etapa de crecimiento de tubérculos utilizando el método de RF con un aumento del 13.6% de R. Se verificó el rendimiento de H al incluirlo como una característica de entrada o no. Los resultados mostraron que H podría aumentar la precisión de estimación de LAI en cada etapa de crecimiento, independientemente del método utilizado. La mejora más significativa se observó en la etapa de formación de tubérculos utilizando SVR, con un aumento del 11.3% de R. Considerando tanto las combinaciones de características como los métodos de monitorización, la combinación de VIs + VITs + H logró los mejores resultados para todas las etapas de crecimiento y métodos de simulación. El mejor ajuste de LAI en las etapas de formación de tubérculos, crecimiento de tubérculos y acumulación de almidón tuvo un R de 0.92, 0.83 y 0.93, respectivamente, utilizando el método XGBoost. Este estudio mostró que la combinación de diferentes características mejoró la simulación de LAI para múltiples etapas de crecimiento de plantas de papa al mejorar la precisión de la monitorización. El método presentado en este estudio puede proporcionar referencias importantes para la monitorización del crecimiento de plantas de papa.