La reflectancia espectral del dosel puede indicar tanto información sobre nutrientes de los cultivos como información estructural del dosel. Las diferencias en la estructura del dosel pueden afectar la reflectancia espectral. Sin embargo, un espectrómetro no imaginario no puede distinguir tales diferencias al monitorear los nutrientes de los cultivos, porque los resultados probablemente se vean influenciados por la estructura del dosel. Además, la tasa de aplicación de nitrógeno es uno de los principales factores que influyen en la estructura del dosel de los cultivos. Existen correlaciones fuertes entre los índices de estructura del dosel y el nitrógeno foliar, y por lo tanto, estos se pueden utilizar para compensar el monitoreo espectral del contenido de nitrógeno en las hojas de trigo. En este estudio, se obtuvieron índices estructurales del dosel (CSI) como la cobertura de trigo, la altura y las características texturales basadas en las imágenes de RGB y altura obtenidas por la cámara RGB-D. Además, se obtuvo la reflectancia espectral del dosel mediante un espectrómetro hiperespectral ASD, en base al cual se construyeron dos índices de vegetación: el índice de vegetación de relación (RVI) y el índice de vegetación de insensibilidad angular (AIVI). Con los índices de vegetación y los CSI como parámetros de entrada, se estableció un modelo para predecir el contenido de nitrógeno foliar (LNC) y la acumulación de nitrógeno foliar (LNA) de trigo en base a los algoritmos de regresión de mínimos cuadrados parciales (PLS) y bosque aleatorio (RF). Los resultados mostraron que el modelo RF con RVI y CSI como entradas tuvo la mayor precisión de predicción para LNA, el coeficiente de determinación (R^2) alcanzó 0.79 y el error cuadrático medio (RMSE) fue de 1.54 g/m. Los índices de vegetación y la cobertura fueron características relativamente importantes en el modelo. Además, el modelo PLS con AIVI y CSI como parámetros de entrada tuvo la mayor precisión de predicción para LNC, con un R^2 de 0.78 y un RMSE de 0.35%, entre los índices de vegetación. Además, partes de las características texturales y de altura fueron importantes. Los resultados sugirieron que los algoritmos de regresión PLS y RF pueden integrar de manera efectiva la información espectral y estructural del dosel, y la información estructural del dosel complementa efectivamente la información espectral al mejorar la precisión de predicción de los índices de vegetación para LNA y LNC.