La determinación rápida y precisa del índice de área foliar (LAI) es importante para monitorear el crecimiento de los hemerocallis, estimar el rendimiento y gestionar el campo. Debido a la baja precisión de estimación de modelos empíricos basados en datos de una sola fuente, propusimos un algoritmo de aprendizaje automático que combina datos de teledetección óptica y de microondas, así como el puntaje de importancia de la regresión de bosques aleatorios (RFR) para seleccionar características. Se construyó un modelo de estimación de LAI de alta precisión para hemerocallis optimizando combinaciones de características. El puntaje de importancia de RFR seleccionó las cinco características más importantes, incluyendo los índices de vegetación índice de agua en superficie terrestre (LSWI), índice de vegetación de diferencia generalizada (GDVI), índice de amarillez de diferencia normalizada (NDYI) y coeficientes de retrodispersión VV y VH. Las características de los índices de vegetación caracterizaban la humedad del dosel y el color de los hemerocallis, y el coeficiente de retrodispersión reflejaba las propiedades dieléctricas y la estructura geométrica. Las características seleccionadas eran sensibles al LAI de los hemerocallis. El algoritmo RFR tenía un buen rendimiento contra el ruido y una fuerte capacidad de ajuste; por lo tanto, su precisión fue mejor que la de los modelos de regresión de mínimos cuadrados parciales y de redes neuronales artificiales. Los datos ópticos y de microondas sinérgicos reflejaron más comprehensivamente las propiedades físicas y químicas de los hemerocallis, haciendo que el modelo RFR-VI-BC05 después de la selección de características fuera mejor que los demás ( = 0.711, = 0.498 y = 9.10%). Este estudio amplió los métodos para estimar el LAI de los hemerocallis mediante la combinación de datos ópticos y de radar, proporcionando soporte técnico para la gestión de los hemerocallis.