Conocer el contenido total de nitrógeno (Nt) del maíz forrajero es importante para que se puedan tomar decisiones de manera rápida y eficiente para ajustar el momento y la cantidad tanto de riego como de fertilizante. En 2017 y 2018, durante tres ciclos de crecimiento en dos parcelas de estudio, se recolectaron muestras de hojas y se utilizó el método de Dumas para estimar Nt. Durante las mismas temporadas de crecimiento y en las mismas parcelas de muestreo, se utilizó una cámara Parrot Sequoia montada en un vehículo aéreo no tripulado (UAV) para recolectar imágenes de alta resolución de las parcelas de estudio de maíz forrajero. Se generaron trece índices multiespectrales y, a partir de estos, se utilizó un algoritmo de Random Forest (RF) para estimar Nt. RF es una técnica de aprendizaje automático y está diseñada para trabajar con conjuntos de datos extremadamente grandes. El análisis general mostró que cinco de los 13 índices eran los más importantes. Uno de estos cinco, el Índice de Absorción de Clorofila Transformado en Reflectancia/Índice de Vegetación Ajustado al Suelo Optimizado, resultó ser el más importante para la estimación de Nt en el maíz forrajero (R = 0.76). RF manejó el conjunto de datos complejo de manera eficiente en tiempo y Nt no difirió significativamente al compararlo entre los métodos tradicionales de evaluación de Nt a nivel de dosel y el uso de UAV y RF para estimar Nt en el maíz forrajero. Este resultado es una oportunidad para explorar muchas nuevas opciones de investigación en agricultura de precisión y agricultura digital.