El algodón (Gossypium hirsutum L.) es un cultivo comercial global primario, y el monitoreo preciso de su crecimiento y la predicción de rendimiento son esenciales para optimizar la gestión del agua. Este estudio integra datos del índice de área foliar (LAI) derivados de imágenes de sistemas aéreos no tripulados (UAS) en el modelo del Sistema de Soporte a la Decisión para la Transferencia de Agrotecnología (DSSAT) para mejorar la simulación del crecimiento del algodón y la estimación del rendimiento. Los resultados muestran que el índice de vegetación de diferencia normalizada (NDVI) exhibió una mayor precisión en la estimación del LAI del algodón durante la etapa de cuajado (R2 = 0.56, p < 0.05), mientras que el índice de vegetación triangular modificado (MTVI) y el índice de vegetación mejorado (EVI) demostraron una mayor y más estable precisión en las etapas de floración y cuajado de cápsulas (R2 = 0.64 y R2 = 0.76, p < 0.05). Después de asimilar los datos del LAI, el modelo DSSAT optimizado representó con precisión el desarrollo del dosel y la variación del rendimiento bajo diferentes niveles de riego. En comparación con el DSSAT, el modelo asimilado redujo el error de predicción del rendimiento del 40-52% al 3.6-6.3% bajo riegos del 30%, 60% y 90%. Estos hallazgos demuestran que la integración de datos del LAI derivados de UAS con el DSSAT mejora sustancialmente la precisión y robustez del modelo, proporcionando un enfoque efectivo para el riego de precisión y la gestión sostenible del algodón.