Los vehículos aéreos no tripulados (VANT), también conocidos como drones, son una alternativa rentable a los métodos de topografía tradicionales y pueden utilizarse para recopilar datos geoespaciales en ubicaciones inaccesibles o de difícil acceso. Se han desarrollado recientemente sensores de teledetección miniaturizados integrados en VANT, como sensores hiperespectrales y LiDAR, que anteriormente operaban en plataformas aéreas y espaciales. Su precisión aún se puede garantizar al incorporar equipos como puntos de control terrestre (GCP) y espectrómetros de campo. Este estudio realizó tres experimentos para evaluar la precisión geométrica y radiométrica de datos RGB, hiperespectrales y LiDAR adquiridos simultáneamente en una sola misión. Nuestros datos RGB y hiperespectrales generaron imágenes ortorrectificadas basadas en georreferenciación directa sin ningún GCP. Debido a esto, se requiere una estación base para los datos del Sistema Global de Navegación por Satélite/Unidad de Medición Inercial (GNSS/IMU) procesados posteriormente. Primero, comparamos la precisión geométrica de las imágenes ortorrectificadas RGB y hiperespectrales en relación con la distancia de la estación base para determinar qué estación base debería utilizarse. En segundo lugar, se podrían generar nubes de puntos a partir de imágenes RGB superpuestas y un sensor LiDAR. Comparamos cuantitativa y cualitativamente las nubes de puntos RGB y LiDAR en este experimento. Por último, evaluamos la calidad radiométrica de las imágenes hiperespectrales, que es el factor más crítico del sensor hiperespectral, utilizando espectros de referencia que se midieron simultáneamente con un espectrómetro de campo. En consecuencia, se encontró que la distancia de la estación base para el procesamiento posterior de los datos GNSS/IMU no tenía un impacto significativo en la precisión geométrica, lo que indica que no siempre es necesaria una estación base dedicada. Nuestros resultados experimentales demostraron errores geométricos de menos de dos píxeles hiperespectrales sin utilizar GCP, logrando un nivel de precisión comparable a los estándares de nivel de topografía. En cuanto a la comparación de nubes de puntos basadas en RGB y LiDAR, las nubes de puntos RGB exhibieron ruido y carecían de detalles; sin embargo, a través del proceso de limpieza, se encontró que su precisión vertical era comparable a la precisión de LiDAR. Aunque la fotogrametría generó nubes de puntos más densas en comparación con LiDAR, la calidad general para extraer los datos de elevación depende en gran medida de factores como la calidad de la imagen original, incluidas las oclusiones de la imagen, las sombras y los puntos de unión para el emparejamiento. Además, los espectros de imagen derivados de datos hiperespectrales demostraron consistentemente una alta calidad radiométrica sin la necesidad de información espectral de campo in situ. Este hallazgo indica que no siempre se requieren espectros de campo in situ para garantizar la calidad radiométrica de los datos hiperespectrales, siempre que se utilicen objetivos bien calibrados.