La estimación de la biomasa aérea (AGB) de los cultivos es una práctica crítica en la agricultura de precisión (PA) y es vital para monitorear la salud de los cultivos y predecir los rendimientos. Una estimación precisa de AGB permite a los agricultores tomar acciones oportunas para maximizar los rendimientos dentro de una temporada de crecimiento determinada. El objetivo de este estudio es utilizar imágenes multiespectrales de vehículos aéreos no tripulados (UAV), junto con índices de vegetación derivados (VI), altura de las plantas, índice de área foliar (LAI) y relaciones de contenido de nutrientes de las plantas, para predecir la AGB seca (g/m2) de un campo de trigo de invierno en el suroeste de Ontario, Canadá. Este estudio evaluó la efectividad de los modelos de Bosque Aleatorio (RF) y Regresión de Vectores de Soporte (SVR) en la predicción de AGB seca a partir de 42 variables. Los modelos RF superaron consistentemente a los modelos SVR, siendo el modelo RF de mejor rendimiento el que utilizó 20 variables seleccionadas en función de su contribución a aumentar la pureza de los nodos en los árboles de decisión. Este modelo logró un R2 de 0.81 y un error cuadrático medio (RMSE) de 149.95 g/m2. Notablemente, las variables en el modelo de mejor rendimiento incluyeron una combinación de bandas de MicaSense, VIs, niveles de contenido de nutrientes, relaciones de contenido de nutrientes y altura de las plantas. Este modelo superó significativamente a todos los demás modelos RF y SVR en este estudio que se basaron únicamente en datos multiespectrales de UAV o en el contenido de nutrientes de las hojas de las plantas. Los conocimientos obtenidos de este modelo pueden mejorar la estimación y gestión de la AGB de trigo, lo que lleva a predicciones y gestión de rendimientos de cultivos más efectivas.