Estimar con precisión el contenido de nutrientes del suelo, incluida la materia orgánica del suelo (MO), nitrógeno (N), fósforo (P) y potasio (K), es crucial para optimizar las prácticas agrícolas y garantizar una producción de cultivos sostenible. Este documento propone un modelo basado en un mecanismo de atención de fusión que combina unidades recurrentes bidireccionales con compuertas (BiGRU) y redes neuronales recurrentes (RNN) para estimar el contenido de nutrientes del suelo. El modelo propuesto integra el mecanismo de atención fusionada con BiGRU y RNN para mejorar la precisión y efectividad de la predicción de nutrientes del suelo. El mecanismo de atención fusionada captura características clave en los datos de entrada, mientras que la arquitectura BiGRU captura información contextual tanto hacia adelante como hacia atrás, lo que permite al modelo capturar dependencias a largo plazo en los datos. Los resultados demuestran que el modelo propuesto Att-BiGRU-RNN supera a otros modelos construidos, mostrando una mayor precisión de predicción y robustez. El modelo muestra buenas capacidades de estimación para MO, N, P y K con precisión de estimación de 0,959, 0,907, 0,921 y 0,914, respectivamente. La aplicación de este modelo en la estimación de nutrientes del suelo tiene el potencial de optimizar la gestión de fertilizantes, mejorar la fertilidad del suelo y, en última instancia, aumentar el rendimiento de los cultivos. Investigaciones futuras pueden explorar la aplicabilidad de este modelo en la agricultura de precisión y prácticas sostenibles de manejo del suelo, beneficiando al sector agrícola y contribuyendo a la seguridad alimentaria y la sostenibilidad ambiental.