El contenido de nitrógeno en el dosel de la patata (CNC) es una métrica imperativa para evaluar el estado de crecimiento de la patata y guiar la gestión de campos. Aunque el índice espectral se puede utilizar para estimar el CNC, su eficacia está influenciada por el entorno y el tipo de cultivo. Para abordar este problema, utilizamos la optimización de índices hiperespectrales (HIs) para la estimación de CNC. Usando las transformaciones inversa y diferencial de primer orden (FD) de los datos originales (OD), se construyeron HIs que comprenden combinaciones de dos bandas en 400-1000 nm, como , , , , y , para analizar la correlación entre CNC y HIs. Basándonos en este análisis, se crearon modelos de predicción para el CNC de la patata utilizando los HIs más óptimos. Los resultados mostraron que la transformación FD mejoró significativamente las correlaciones entre CNC y HIs, entre las cuales FD- tuvo la mayor correlación con CNC. Además, empleamos los HIs óptimos como variables para establecer modelos de regresión univariante y multivariante para estimar el CNC de la patata. Entre los modelos univariantes, la precisión del modelo OD-DSI fue la más alta, con un R de 0.79 y un RMSE de 0.22. Mientras tanto, el modelo FD-MLR demostró la mayor precisión en comparación con los otros modelos multivariantes, con un R de 0.84, un RMSE de 0.20 durante la validación, y una mayor precisión de predicción que el modelo OD-. FD-MLR se puede utilizar para mapear la distribución de CNC de las parcelas de siembra de patata monitoreadas para guiar la fertilización de precisión.