Este estudio invierte con precisión los parámetros clave de crecimiento del arroz, incluido el Índice de Área Foliar (LAI), el valor del contenido de clorofila (SPAD) y la altura, mediante la integración de datos de teledetección de múltiples fuentes (incluidas imágenes de MODIS y ERA5) y modelos de aprendizaje profundo. Dehui City en la provincia de Jilin, China, fue seleccionada como área de estudio de caso, donde se recopilaron datos multidimensionales que incluían índices de vegetación, parámetros de función ecológica y variables ambientales, abarcando siete etapas clave de crecimiento del arroz. El análisis de datos y la predicción de parámetros se realizaron utilizando una variedad de modelos de aprendizaje automático y aprendizaje profundo, incluidos Mínimos Cuadrados Parciales (PLS), Máquina de Vectores de Soporte (SVM), Bosque Aleatorio (RF) y Redes Neuronales de Memoria a Corto y Largo Plazo (LSTM), entre los cuales el modelo LSTM demostró un rendimiento superior, especialmente en múltiples puntos críticos en el tiempo. Los resultados muestran que el LSTM tuvo el mejor desempeño al invertir los tres parámetros, con una precisión de inversión de LAI el 21 de agosto alcanzando un coeficiente de determinación (R) de 0.72, error cuadrático medio (RMSE) de 0.34 y error absoluto medio (MAE) de 0.27. La precisión de inversión de SPAD en la misma fecha logró un R de 0.69, RMSE de 1.45 y MAE de 1.16. La precisión de inversión de la altura el 25 de julio alcanzó un R de 0.74, RMSE de 2.30 y MAE de 2.08. Este estudio no solo verifica la eficacia de combinar datos de múltiples fuentes y algoritmos avanzados, sino que también proporciona una base científica para la gestión de precisión y la toma de decisiones en el cultivo de arroz.