Los sistemas aéreos no tripulados (UAS) adquirieron imágenes ópticas de alta resolución y las técnicas de análisis de imágenes basadas en objetos (OBIA) tienen el potencial de proporcionar información espacial sobre la productividad de los cultivos. En general, los estudios de campo sobre la retroalimentación planta-suelo (PSF) son laboriosos y consumen mucho tiempo, lo que limita la escala a la que se pueden realizar estos estudios. Se necesita el desarrollo de metodologías no destructivas para permitir la investigación en condiciones de campo reales y a escalas espaciales y temporales realistas. En este estudio, se investigó la influencia de seis tratamientos de cultivos de cobertura invernal (WCC) (monocultivos de Raphanus sativus, Lolium perenne, Trifolium repens, Vicia sativa y dos mezclas de especies) en la productividad del cultivo de endibia (Cichorium endivia) de verano, estimando el volumen del cultivo. Se reconstruyó fotogramétricamente un modelo de superficie y terreno en tres dimensiones a partir de imágenes de UAS, adquiridas el 1 de julio de 2015 en Wageningen, Países Bajos. Se utilizaron algoritmos de segmentación de imágenes de multi-resolución (MIRS) y coincidencia de plantillas en un flujo de trabajo integrado para detectar cultivos individuales (precisión = 99.8%) y delinear el área cubierta por el cultivo de C. endivia (precisión = 85.4%). Las estimaciones del área media del cultivo (R = 0.61) y del volumen del cultivo (R = 0.71) tuvieron fuertes correlaciones positivas con la biomasa seca medida in situ. Las diferencias de productividad resultantes de los tratamientos de WCC fueron mayores para el volumen del cultivo estimado en comparación con la biomasa in situ; el legado de Raphanus fue el más beneficioso para el volumen del cultivo estimado. El tratamiento de pasto de centeno perenne L. perenne resultó en una producción significativamente menor de C. endivia. El flujo de trabajo desarrollado tiene potencial para estudios de PSF, así como para la agricultura de precisión debido a su flexibilidad y escalabilidad. Nuestros hallazgos proporcionan información sobre el potencial de los UAS para determinar la productividad de los cultivos a gran escala.