El monitoreo preciso del contenido total de nitrógeno (TN) en los suelos de campo es crucial para una gestión de fertilización precisa. El contenido de TN es uno de los indicadores clave en los sistemas de evaluación de la fertilidad del suelo. La determinación rápida y precisa de TN en la capa de labranza es esencial para la producción agrícola. Aunque la tecnología de teledetección multiespectral basada en UAV ha mostrado potencial en el monitoreo agrícola, la investigación sobre su evaluación cuantitativa del contenido de TN en el suelo sigue siendo limitada. Este estudio utilizó imágenes multiespectrales de UAV (vehículo aéreo no tripulado) y datos de TN medidos en campo de cuatro etapas clave de crecimiento del maíz forrajero en 2022 en el Rancho Huari, en el condado de Minle, región de Hexi. Se aplicó el algoritmo de eliminación recursiva de características de máquina de soporte vectorial (SVM-RFE) para seleccionar índices de vegetación como entradas del modelo. Se construyeron un total de 18 modelos basados en algoritmos de aprendizaje automático, incluidos redes neuronales BP (BPNNs), bosque aleatorio (RF) y regresión de mínimos cuadrados parciales (PLSR), para comparar el modelo de inversión más adecuado para TN en el suelo de la rizosfera (0-30 cm) del maíz forrajero en diferentes etapas de crecimiento. Se determinó el período óptimo para la inversión de TN. El algoritmo SVM-RFE superó a los modelos construidos sin selección de características en términos de precisión. Entre los modelos de inversión de nitrógeno basados en diferentes algoritmos de aprendizaje automático, el modelo PLSR mostró el mejor rendimiento, seguido del modelo RF, mientras que el modelo BPNN tuvo el peor desempeño. El modelo PLSR establecido para la etapa de crecimiento maduro a profundidades de suelo demostró la mayor precisión de inversión, con valores de R y RMSE de 0.663 y 0.281, respectivamente. El siguiente mejor período fue la etapa de espigado, mientras que la peor precisión de inversión se observó durante la etapa de plántula, lo que indica que la etapa madura es el período óptimo para la inversión de TN en el área de estudio.