El ensilaje es el alimento principal en la producción de leche y carne de rumiantes en el norte de Europa. La tecnología novedosa de teledetección basada en drones podría utilizarse en muchas fases de la producción de ensilaje, pero los métodos avanzados para utilizar estos datos todavía se están desarrollando. Los prados de pasto se cosechan tres veces en la temporada, y el fertilizante se aplica de manera similar tres veces, una vez para cada cosecha cuando se apunta a rendimientos máximos. Por lo tanto, la información oportuna del rendimiento es necesaria varias veces en una temporada para tomar decisiones sobre el momento de la cosecha y la tasa de aplicación de fertilizantes. Nuestro objetivo fue desarrollar y evaluar una novedosa técnica de aprendizaje automático para la estimación de la altura del dosel y la biomasa de los prados de pasto utilizando datos de cámaras fotogramétricas multiespectrales. La variación en el cultivo estudiado se generó utilizando seis niveles diferentes de fertilizantes nitrogenados y cuatro fechas de cosecha. El prado era una mezcla de festuca de pradera dominada por la hierba timotea. Extraímos varias características de los datos de teledetección combinando un modelo de altura de dosel fotogramétrico de ultra alta resolución (CHM) con un tamaño de píxel de 1,0 cm y valores de intensidad de rango rojo, verde, azul (RGB) y de infrarrojo cercano y diferentes índices de vegetación (VI) extraídos de mosaicos ortofotográficos. Comparamos el rendimiento de la regresión lineal múltiple (MLR) y un estimador de Bosque Aleatorio (RF) con diferentes combinaciones de las características de CHM, RGB y VI. Los mejores resultados de estimación con ambos métodos se obtuvieron combinando las características de CHM y VI y las tres clases de características (CHM, RGB y VI). Ambos estimadores proporcionaron resultados igualmente precisos. Los coeficientes de correlación de Pearson (PCC) y los Errores Cuadráticos Medios (RMSEs) de las estimaciones fueron en el mejor de los casos de 0,98 y 0,34 t/ha (12,70%), respectivamente, para la estimación del rendimiento de materia seca (DMY) y 0,98 y 1,22 t/ha (11,05%), respectivamente, para las estimaciones de rendimiento fresco (FY). Nuestra evaluación de la sensibilidad del método con respecto a diferentes etapas de desarrollo y diferentes cantidades de biomasa mostró que el uso de la técnica de aprendizaje automático que integraba múltiples características mejoró los resultados en comparación con las regresiones lineales simples. Estos resultados fueron extremadamente prometedores, mostrando que el enfoque fotogramétrico multiespectral propuesto puede proporcionar estimaciones precisas de biomasa de prados de pasto, y podría desarrollarse como una herramienta de bajo costo para aplicaciones prácticas en la agricultura.