El índice de área foliar (LAI), como uno de los fenotipos importantes en campos de cultivo, juega un papel crucial en la evaluación del crecimiento y rendimiento de los cultivos. El método de teledetección para monitorear parámetros de cultivos hace posible obtener el LAI de los cultivos en una gran área, de manera eficiente y no destructiva. La fusión de características espectrales, características estructurales y características de textura obtenidas por imágenes de teledetección puede mejorar efectivamente el rendimiento de la estimación del LAI, pero el impacto de las diferencias en las características de estructura y textura de los cultivos en el monitoreo de teledetección del LAI sigue siendo incierto. En este estudio, se clasificó el rame según las diferencias de la estructura del dosel, y luego se evaluó el rendimiento de la inversión del LAI del rame bajo diferentes conjuntos de datos para determinar la contribución de las características de estructura (cobertura del dosel, altura de la planta) y características de textura derivadas de imágenes de teledetección al estimado del LAI. Finalmente, se integraron índices de teledetección multifuncionales para construir el modelo óptimo de estimación del LAI del rame. Los resultados mostraron que las características de estructura y de textura tuvieron un efecto en el rendimiento de la inversión del LAI del rame, y hubo diferencias significativas en la precisión de la estimación del LAI entre diferentes conjuntos de datos. Una sola característica de estructura o de textura no pudo optimizar significativamente el rendimiento de la inversión del LAI, mientras que la fusión de múltiples características pudo mejorar efectivamente la precisión de la estimación del LAI (R = 0.776, RMSE = 0.740). Este estudio proporciona un método robusto, práctico y de bajo costo para la estimación del LAI del rame, y sirve de referencia para la investigación de la inversión del LAI de cultivos basada en características estructurales y de textura.