La predicción precisa y oportuna del crecimiento de los cultivos es crucial para una gestión agrícola eficiente y la seguridad alimentaria, especialmente dado los desafíos como la escasez de mano de obra y el cambio climático. Este estudio presenta un método novedoso para la predicción temprana de las alturas del repollo Kimchi utilizando imágenes de drones y un modelo de memoria a largo y corto plazo (LSTM). Se utilizaron imágenes de drones de alta resolución para generar un modelo de altura del dosel (CHM) para estimar las alturas de las plantas en varias etapas de crecimiento. Los datos de altura faltantes se interpolaron utilizando una curva de crecimiento logístico, y se entrenó un modelo LSTM con estos datos de series temporales para predecir la altura final en la cosecha mucho antes de la fecha real de cosecha. El modelo entrenado con datos de 44 días después de la siembra (DAPs) demostró la mayor precisión (R2 = 0.83, MAE = 2.48 cm y RMSE = 3.26 cm). Los mapas codificados por colores que visualizan las alturas predichas del repollo Kimchi revelaron patrones de crecimiento distintos entre diferentes tipos de suelo, destacando el potencial del modelo para la gestión específica del sitio. Considerando la compensación entre precisión y tiempo de predicción, el modelo entrenado con datos de DAP 36 (MAE = 2.77 cm) se consideró el más adecuado para aplicaciones prácticas, permitiendo intervenciones oportunas en la gestión del cultivo. Esta investigación demuestra la viabilidad y efectividad de integrar imágenes de drones, curvas de crecimiento logístico y modelos LSTM para la predicción temprana y precisa de las alturas del repollo Kimchi, facilitando la toma de decisiones basada en datos en la agricultura de precisión para mejorar la gestión de cultivos y la optimización del rendimiento.