La estimación del contenido de clorofila en las hojas (LCC) de manera oportuna y precisa es de gran importancia para la gestión precisa de la colza. El índice espectral derivado de imágenes de UAV se ha adoptado como una forma no destructiva y eficiente de mapear el LCC. Sin embargo, el fondo del suelo afecta el rendimiento de la estimación de LCC basada en UAV, limitando la precisión y aplicabilidad del modelo de estimación de LCC, y este problema aún debe ser abordado. Por lo tanto, esta investigación se llevó a cabo para estudiar la influencia de los píxeles del suelo en las imágenes RGB de UAV sobre la estimación de LCC. Se realizaron campañas de UAV desde las etapas de invernada hasta la floración para cubrir el proceso de cobertura gradual del fondo del suelo por las plantas de colza. Se eligieron tres densidades de siembra de 11.25, 18.75 y 26.26 g/m2 para enriquecer aún más los diferentes niveles de porcentaje de fondo del suelo, es decir, los niveles de cobertura de vegetación fraccionada de colza (FVC). Los resultados mostraron que, en comparación con la diferencia insignificante observada para el LCC medido en el suelo en una etapa de crecimiento determinada, se encontró una diferencia significativa para la mayoría de los índices espectrales extraídos sin la eliminación del fondo del suelo, lo que indica la influencia del fondo del suelo. La eliminación del fondo del suelo durante la extracción del índice espectral mejoró la precisión de la estimación de LCC, con el coeficiente de determinación (R2) aumentando de 0.58 a 0.68 y el error cuadrático medio (RMSE) disminuyendo de 5.19 a 4.49. Al mismo tiempo, la aplicabilidad del modelo de estimación de LCC para diferentes densidades de plantas (niveles de FVC) también se mejoró. Cuanto menor es la densidad de siembra, mayor es la mejora. R2 aumentó de 0.53 a 0.70, y el RMSE disminuyó de 5.30 a 4.81 bajo una baja densidad de siembra de 11.25 g/m2. Estos hallazgos indican que la eliminación del fondo del suelo mejora significativamente el rendimiento de la estimación de LCC de colza basada en UAV, particularmente bajo diversas condiciones de FVC.