El índice de área foliar (LAI) sirve como un indicador crítico para evaluar el crecimiento de los cultivos y guiar las prácticas de manejo en el campo. Si bien la información espectral (índices de vegetación y características de textura) extraída de sensores multiespectrales montados en vehículos aéreos no tripulados (UAV) tiene potencial para la estimación del LAI, las limitaciones de las características de textura única requieren una mayor exploración. Por lo tanto, este estudio realizó experimentos de campo durante dos años consecutivos (2021-2022) para recopilar datos de verdad de campo del LAI de colza invernal y la correspondiente imagen multiespectral de UAV. Se construyeron índices de vegetación y se extrajeron características de textura del dosel. Posteriormente, se empleó un método de matriz de correlación para establecer combinaciones aleatorias novedosas de índices de textura tridimensionales. Al analizar las correlaciones entre estos parámetros y el LAI de colza invernal, se seleccionaron variables con correlaciones significativas (< 0.05) como entradas del modelo. Estas variables se dividieron en combinaciones distintas y se introdujeron en tres modelos de aprendizaje automático: Máquina de Vectores de Soporte (SVM), Red Neuronal de Retropropagación (BPNN) y Aumento de Gradiente Extremo (XGBoost) para estimar el LAI de colza invernal. Los resultados demostraron que la mayoría de los índices de vegetación y características de textura mostraron correlaciones significativas con el LAI (< 0.05). Todas las combinaciones aleatorias de índices de textura también mostraron fuertes correlaciones con el LAI (< 0.05). Notablemente, el índice de textura tridimensional NDTTI exhibió la correlación más alta con el LAI (R = 0.725), derivada de la combinación espacial de DIS5, VAR5 y VAR3. La integración de índices de vegetación, características de textura e índices de textura tridimensionales como entradas en el modelo XGBoost produjo la mayor precisión de estimación. El conjunto de validación alcanzó un coeficiente de determinación (R) de 0.882, un error cuadrático medio (RMSE) de 0.204 cmcm y un error relativo medio (MRE) de 6.498%. Este estudio proporciona una metodología efectiva para el monitoreo multiespectral del LAI de colza invernal basado en UAV y ofrece apoyo científico y técnico para las prácticas de manejo de agricultura de precisión.