La estimación precisa de la densidad de cultivos es crítica para una gestión efectiva de los recursos agrícolas, sin embargo, los métodos existentes enfrentan desafíos debido a las dificultades en la adquisición de datos y la baja usabilidad del modelo causada por inconsistencias entre imágenes ópticas y de radar. Este estudio presenta un enfoque novedoso para la estimación de la densidad de maíz al integrar datos ópticos y de radar, abordando estos desafíos con una estrategia de mapeo única. La estrategia combina la selección de datos disponibles, la extracción de características clave y la optimización para mejorar la precisión en diversas etapas de crecimiento. Al identificar características críticas para la densidad de maíz e incorporar el aprendizaje automático para explorar combinaciones óptimas de características, desarrollamos un modelo multitemporal que mejora la precisión de la estimación, particularmente durante las etapas de desarrollo de hojas, elongación del tallo y formación de espigas (R = 0.602, RMSE = 0.094). Nuestro enfoque mejora el rendimiento en comparación con modelos unitemporales, y se generaron mapas de densidad de maíz exitosos para los tres condados de demostración típicos. Este trabajo representa un avance en la estimación de la densidad de cultivos a gran escala, con el potencial de expandirse a otras regiones y apoyar los esfuerzos de agricultura de precisión, ofreciendo una base para futuras investigaciones sobre la optimización de la gestión de recursos agrícolas.