El contenido excesivo de nitrógeno total (TN) en la capa superior del suelo es una causa importante de eutrofización cuando el nitrógeno fluye hacia los sistemas acuáticos desde las pérdidas de suelo. Por lo tanto, la predicción del contenido de TN es esencial para establecer sistemas de gestión de la capa superior del suelo y proteger los ecosistemas acuáticos. Recientemente, la imagen hiperespectral (HSI) se ha utilizado como una técnica rápida y no destructiva para cuantificar diversas propiedades del suelo. Este estudio desarrolló un modelo basado en aprendizaje automático y profundo utilizando imágenes hiperespectrales para medir rápidamente los contenidos de TN. Se recolectaron un total de 139 muestras de la capa superior del suelo de los cuatro ríos principales de la República de Corea. Los datos de imagen hiperespectral en el espectro visible al infrarrojo cercano (VNIR) e infrarrojo cercano (NIR) se adquirieron en los rangos de 400-1000 nm y 895-1720 nm, respectivamente. Se desarrollaron modelos de predicción para predecir el contenido de TN en la capa superior del suelo utilizando regresión de mínimos cuadrados parciales (PLSR) y redes neuronales convolucionales unidimensionales (1D-CNNs). De la cantidad total de píxeles en cada muestra de suelo, se seleccionaron aleatoriamente el 12.5, 25 y 50% de los píxeles, y los datos se aumentaron 10 veces para mejorar el rendimiento del modelo 1D-CNN. El rendimiento de los modelos se evaluó estimando los coeficientes de determinación (R) y los errores cuadráticos medios (RMSE). Los valores de R de los modelos óptimos de PLSR (con preprocesamiento de normalización máxima) y 1D-CNN (con preprocesamiento SNV) fueron 0.72 y 0.92, respectivamente. Por lo tanto, la HSI se puede utilizar para estimar el contenido de TN en la capa superior del suelo y construir una base de datos de la capa superior del suelo para desarrollar estrategias de conservación.