La cubierta vegetal fraccional (FVC) es un indicador clave del crecimiento de las plantas. Las imágenes de vehículos aéreos no tripulados (UAV) han ganado prominencia para el monitoreo de FVC debido a su alta resolución. Sin embargo, la mayoría de los estudios se han centrado en etapas fenológicas individuales o tipos de cultivos específicos, con una investigación limitada sobre el monitoreo temporal continuo de plantas rastreras. Este estudio aborda esta brecha centrándose en Ronniger (). Se recopilaron imágenes de luz visible y multiespectrales adquiridas por UAV en las principales etapas fenológicas: brotación, yema, floración temprana, floración máxima y fructificación. Se desarrollaron modelos de estimación de FVC utilizando cuatro algoritmos: regresión lineal múltiple (MLR), bosque aleatorio (RF), regresión de vector de soporte (SVR) y red neuronal artificial (ANN). El modelo SVR logró un rendimiento óptimo durante las etapas de brotación (R = 0.87) y floración temprana (R = 0.91), mientras que el modelo ANN sobresalió durante la yema (R = 0.93), floración máxima (R = 0.95) y fructificación (R = 0.77). Las predicciones de los modelos de mejor rendimiento fueron consistentes con los valores reales de FVC, capturando eficazmente los cambios dinámicos en FVC. Las tasas de crecimiento de FVC mostraron variaciones distintas en las etapas fenológicas, lo que indica una alta consistencia entre las tendencias de crecimiento predichas y reales. Este estudio destaca la viabilidad del monitoreo de FVC basado en UAV y señala su potencial para rastrear plantas rastreras.