El contenido de almidón en los granos de arroz es un factor clave para determinar su calidad. Un nivel óptimo de almidón no solo asegura la plenitud del grano, mejorando la estabilidad de almacenamiento, sino que también mejora la pegajosidad y viscosidad del arroz cocido, aumentando así su palatabilidad y valor nutricional. Sin embargo, los métodos tradicionales para monitorear el contenido de almidón son costosos y carecen de la capacidad para proporcionar información de distribución espacial rápida en áreas extensas. Para abordar esta limitación, este estudio se centra en los granos de arroz maduros en la región de Yingjiang, aprovechando datos multiespectrales del satélite Sentinel-2. Se aplicaron transformaciones de primera y segunda derivada a los datos de reflectancia multiespectral, seguidos por el uso de tres algoritmos de selección de características para identificar bandas espectrales clave. Luego se integraron redes neuronales BP y modelos de regresión de redes neuronales ELM para estimar cuantitativamente el contenido de almidón en toda el área de estudio. Como resultado, se generaron mapas de distribución espacial de alta precisión del contenido de almidón, proporcionando un método novedoso y eficiente para monitoreo rápido a gran escala. Los resultados demuestran que, en comparación con los datos de banda completa, el uso de la selección de características SPA mejoró significativamente la precisión predictiva de ambos modelos BP y ELM, a pesar de un ligero aumento en el MSE de los modelos. De manera similar, la selección de características CARS también contribuyó sustancialmente a mejorar la precisión de los modelos BP y ELM. En contraste, la selección de características UVE redujo significativamente el MSE del modelo BP, mejorando la precisión predictiva, con el modelo logrando un R2 de 0.8061 y un MSE de 0.3896. Este estudio destaca que el método de inversión, que combina algoritmos de selección de características con modelos de aprendizaje automático, puede mejorar efectivamente la precisión predictiva de la estimación del contenido de almidón. Entre los enfoques probados, la combinación de la selección de características UVE y las redes neuronales BP ofrecieron el mejor rendimiento. Estos hallazgos confirman la viabilidad de utilizar datos multiespectrales del satélite Sentinel-2 para la inversión cuantitativa de parámetros agronómicos en áreas agrícolas extensas, brindando un sólido soporte técnico para la agricultura de precisión.