La cuantificación precisa de la biomasa aérea (AGB) y la captura de carbono es vital para monitorear la dinámica de los ecosistemas terrestres, informar políticas climáticas y apoyar iniciativas de neutralidad de carbono. Sin embargo, los métodos convencionales, que van desde encuestas manuales en campo hasta técnicas de teledetección basadas únicamente en índices de vegetación 2D, a menudo no logran capturar la intrincada heterogeneidad espectral y estructural de los doseles forestales, particularmente a resoluciones espaciales finas. Para abordar estas limitaciones, presentamos ForestIQNet, un novedoso marco de aprendizaje profundo multimodal de extremo a extremo diseñado para estimar AGB y los stocks de carbono asociados a partir de imágenes adquiridas por UAV con alta fidelidad espacial. ForestIQNet combina codificadores de doble flujo para procesar imágenes multiespectrales de UAV y un Modelo de Altura del Dosel (CHM) voxelizado, fusionados a través de un módulo de Fusión de Características de Atención Cruzada (CAFF), lo que permite una interacción detallada entre la reflectancia espectral y la estructura 3D. Luego, una cabeza de regresión basada en Transformer ligera realiza predicciones multitarea de AGB y CO2e, capturando dependencias espaciales de largo alcance y mejorando la generalización. El método propuesto logra un R2 de 0.93 y un RMSE de 6.1 kg para la predicción de AGB, en comparación con 0.78 R2 y 11.7 kg RMSE para XGBoost y 0.73 R2 y 13.2 kg RMSE para Random Forest. A pesar de su complejidad arquitectónica, ForestIQNet mantiene un bajo costo de inferencia (27 ms por parche) y generaliza bien entre especies, terrenos y estructuras de dosel. Estos resultados establecen un nuevo estándar para la estimación de biomasa habilitada por UAV y proporcionan herramientas escalables e interpretables para el monitoreo climático y la gestión forestal.