La tasa fotosintética neta (Pn) es un indicador común utilizado para medir la eficiencia de la fotosíntesis y las condiciones de crecimiento de las plantas. En este estudio, se seleccionaron sojas bajo diferentes gradientes de humedad como objetos de investigación. Catorce índices de vegetación (VIS) y cinco características de la estructura del dosel (CSC) (altura de la planta (PH), volumen (V), cobertura del dosel (CC), longitud del dosel (L) y ancho del dosel (W)) se obtuvieron utilizando un vehículo aéreo no tripulado (UAV) equipado con tres sensores diferentes (visible, multiespectral y LiDAR) en cinco etapas de crecimiento de las sojas. La Pn de la soja se midió simultáneamente manualmente en el campo. Se analizó la variabilidad de la Pn de la soja en diferentes condiciones y el cambio de tendencia de la CSC bajo diferentes gradientes de humedad. VIS, CSC y sus combinaciones se utilizaron como características de entrada, y se utilizaron cuatro algoritmos de aprendizaje automático (regresión lineal múltiple, bosque aleatorio, regresión de árbol de refuerzo extremo y regresión de crestas) para realizar la inversión de la Pn de la soja. Los resultados mostraron que, en comparación con el modelo de inversión que utiliza VIS o CSC como características solas, el modelo de inversión que utiliza la combinación de características VIS y CSC mostró una mejora significativa en la precisión de la inversión en las cinco etapas. La mayor precisión (r = 0.86, RMSE = 1.73 umol m s, RPD = 2.63) se logró 63 días después de la siembra (DAS63).