Los bosques son críticos para proporcionar servicios ecosistémicos y contribuir al bienestar humano, pero su salud y extensión están amenazadas por el cambio climático, lo que requiere sistemas de monitoreo efectivos. Los métodos tradicionales basados en el campo son a menudo intensivos en mano de obra, costosos y logísticamente desafiantes, limitando su uso para aplicaciones a gran escala. Los drones ofrecen ventajas como bajos costos operativos, versatilidad y rápida recolección de datos. Sin embargo, persisten desafíos en la optimización del procesamiento de datos y en los métodos para integrar efectivamente los datos adquiridos para el monitoreo forestal. Este estudio aborda este desafío integrando datos de LiDAR y multiespectrales basados en drones para la clasificación de especies forestales y el monitoreo de la salud. Desarrollamos la metodología en el Parque Ticino (Italia), donde se llevaron a cabo campañas de campo intensivas en 2022 para recopilar composiciones de especies de árboles, el índice de área foliar (LAI), el contenido de clorofila en el dosel (CCC) y datos de drones. Los árboles individuales fueron primero extraídos de los datos de LiDAR y clasificados utilizando características espectrales y texturales derivadas de los datos multiespectrales, logrando una precisión del 84%. Luego, se recuperaron rasgos forestales clave de los datos multiespectrales utilizando algoritmos de regresión de aprendizaje automático, que mostraron un rendimiento satisfactorio en la estimación del LAI (R2 = 0.83, RMSE = 0.44 m2 m-2) y del CCC (R2 = 0.80, RMSE = 0.33 g m-2). Los rasgos recuperados se utilizaron para rastrear cambios específicos de especies relacionados con la sequía. Los resultados obtenidos destacan el potencial de integrar datos de LiDAR y multiespectrales basados en drones para un monitoreo de la salud forestal y detección de cambios que sea rentable y preciso.