La altura de la planta y los valores de SPAD son indicadores críticos para evaluar el desarrollo morfológico del maní, la eficiencia fotosintética y la optimización del rendimiento. Los recientes avances en la tecnología de vehículos aéreos no tripulados (UAV) han permitido la fenotipificación de alto rendimiento a escalas de campo. Como un cultivo oleaginoso estratégico a nivel mundial, el maní desempeña un papel vital en la garantía de la seguridad alimentaria y del aceite comestible. Este estudio tuvo como objetivo desarrollar un marco de estimación optimizado para la altura de la planta de maní y los valores de SPAD a través de la integración de datos multi-fuente de UAV impulsada por aprendizaje automático, mientras se evaluaba la generalizabilidad del modelo en dominios temporales y espaciales. Se recopilaron datos de UAV multiespectrales y de campo en cuatro etapas de crecimiento (2023-2024). Utilizando índices espectrales y características de textura, se entrenaron cuatro modelos (PLSR, SVM, ANN, RFR) con datos de 2024 y se validaron de manera independiente con conjuntos de datos de 2023. Los modelos de aprendizaje automático en conjunto (RFR) mejoraron significativamente la precisión de la estimación (mejora de R2: 3.1-34.5%) y la robustez en comparación con el modelo lineal (PLSR). El análisis de estabilidad de características reveló que las características espectrales-texturales combinadas superaron a los enfoques de características individuales. El modelo SVM logró una predicción superior de la altura de la planta (R2 = 0.912, RMSE = 2.14 cm), mientras que RFR estimó óptimamente los valores de SPAD (R2 = 0.530, RMSE = 3.87) en condiciones de campo heterogéneas. Este marco de integración multimodal basado en UAV demuestra un potencial significativo para el monitoreo temporal de la dinámica de crecimiento del maní.