Si bien la teledetección basada en satélites ofrece una vía prometedora para las estimaciones de LCC a gran escala, la precisión de las evaluaciones a menudo se ve disminuida por píxeles mixtos, atribuibles a distintas prácticas agrícolas y diversas condiciones del suelo. Para superar estos desafíos y tener en cuenta la intersiembra de maíz con soja en diferentes etapas de crecimiento combinadas con diversos antecedentes de suelo, se estableció una base de datos hiperespectral para el maíz utilizando un modelo lineal mixto aleatorio aplicado a datos hiperespectrales registrados por un vehículo aéreo no tripulado (UAV). Se utilizaron cuatro métodos, a saber, distancia euclidiana, distancia de Minkowski, distancia de Manhattan y similitud coseno, para comparar los espectros de vegetación del Sentinel-2A con la nueva base de datos construida. En un siguiente paso, se probaron índices de vegetación ampliamente utilizados como NDVI, NAOC y CAI para encontrar el método óptimo para la recuperación de LCC, validado por mediciones de campo. Los resultados muestran que el NAOC tuvo la correlación más fuerte con la información de muestreo en el suelo (R2 = 0.83, RMSE = 0.94 g/cm2 y MAE = 0.67 g/cm2). Se aplicaron mediciones de campo adicionales muestreadas en otras áreas agrícolas para validar la transferibilidad y generalización del método. Aquí también, los resultados de validación mostraron una estimación de LCC altamente precisa (R2 = 0.93, RMSE = 1.10 g/cm2 y MAE = 1.09 g/cm2), demostrando que la integración de datos hiperespectrales de UAV con un modelo lineal mixto aleatorio mejora significativamente las recuperaciones de LCC basadas en satélites.