La evaluación continua del crecimiento de cultivos de cobertura a lo largo de la temporada es una observación básica crucial para tomar decisiones informadas sobre la gestión de cultivos y la operación agrícola sostenible. Las técnicas de agricultura de precisión que involucran aplicaciones de sensores y vehículos aéreos no tripulados proporcionan datos espectrales y estructurales precisos y oportunos, lo que permite una evaluación efectiva de la biomasa de los cultivos de cobertura. Los índices de vegetación se utilizan ampliamente para cuantificar el crecimiento de cultivos y las métricas de biomasa. El objetivo de este estudio fue evaluar la precisión de la estimación de biomasa utilizando un enfoque de aprendizaje automático que aprovecha los datos espectrales y de altura del dosel adquiridos de vehículos aéreos no tripulados (UAV), comparando diferentes arquitecturas de redes neuronales, optimizadores y funciones de activación. Se llevaron a cabo ensayos de campo en dos sitios en Luisiana que involucraban cultivos de cobertura invernales. La altura del dosel se estimó restando el modelo de superficie digital tomado en el momento del crecimiento máximo del cultivo de cobertura de los datos capturados durante una condición de suelo desnudo. Al evaluarse contra el conjunto de datos de validación, el modelo de red neuronal facilitado con una biblioteca Keras TensorFlow con optimizadores Adam y una función de activación sigmoide tuvo el mejor rendimiento, prediciendo la biomasa del cultivo de cobertura con un error cuadrático medio de raíz (RMSE) promedio de 96 g m-2. Otras métricas estadísticas, incluyendo la correlación de Pearson y R2, también mostraron condiciones satisfactorias con esta combinación de hiperparámetros. La biomasa observada del cultivo de cobertura varió de 290 a 1217 g m-2. Los hallazgos del presente estudio destacan el mérito del análisis integral de las características de los cultivos de cobertura utilizando teledetección UAV y aprendizaje automático que involucra mecanismos biofísicos subyacentes realistas, ya que nuestro enfoque capturó tanto aspectos horizontales (índices de vegetación) como verticales (altura del dosel) del crecimiento de las plantas.