La estimación oportuna y precisa de la Biomasa sobre el Suelo (AGB) en el algodón es esencial para el monitoreo preciso de la producción. El estudio se realizó en el condado de Shaya, Región de Aksu, Xinjiang, China. Empleó un vehículo aéreo no tripulado (UAV) como plataforma de monitoreo de baja altitud para capturar imágenes multiespectrales del dosel de algodón. Posteriormente, se extrajeron características espectrales y texturales, y se realizó una selección de características utilizando la correlación de Pearson (P), el Análisis de Componentes Principales (PCA), la Regresión Stepwise Multivariante (MSR) y el algoritmo ReliefF (RfF), combinados con el algoritmo de aprendizaje automático para construir un modelo de estimación de AGB de algodón. Los resultados indican una alta consistencia entre la media (MEA) y las bandas espectrales correspondientes en las características texturales con la correlación de AGB. Además, la fusión de características espectrales y texturales demostró ser más estable que los modelos que utilizan solo características espectrales o texturales. Tanto el algoritmo RfF como el modelo ANN demostraron efectos de optimización en las características, y su combinación redujo efectivamente la redundancia de datos mientras mejoraba el rendimiento del modelo. El modelo RfF-ANN-AGB construido en base a la fusión de características espectrales y texturales funcionó mejor, y utilizando las características SIPI2, RESR, G_COR y RE_DIS, mostró el mejor rendimiento, logrando un R de 0.86 en los conjuntos de prueba, un RMSE de 0.23 kg·m, un MAE de 0.16 kg·m y un nRMSE de 0.39. Los hallazgos ofrecen una estrategia de modelado integral para la estimación precisa y rápida de AGB de algodón.