El monitoreo del crecimiento de los cultivos en diversas etapas de crecimiento es esencial para optimizar los insumos agrícolas y mejorar el rendimiento de los cultivos. El nitrógeno desempeña un papel crítico en el desarrollo de las plantas; sin embargo, su aplicación inadecuada puede reducir la productividad y, a largo plazo, degradar la salud del suelo. El objetivo de este estudio fue desarrollar un enfoque no invasivo para la estimación de nitrógeno a través de proxies (Índice de Flavanoles de Nitrógeno) en Mentha arvensis utilizando índices de vegetación multiespectrales derivados de UAV y modelos de aprendizaje automático. Se utilizaron Regresión de Soporte Vectorial, Bosque Aleatorio y Aumento de Gradiente para predecir el Índice de Flavanoles de Nitrógeno (NFI) en diferentes etapas de crecimiento. Entre los modelos probados, el Bosque Aleatorio logró la mayor precisión predictiva (R2 = 0.86, RMSE = 0.32) a los 75 días después de la siembra (DAP), seguido por el Aumento de Gradiente (R2 = 0.75, RMSE = 0.43). El rendimiento del modelo fue más bajo durante las primeras etapas de crecimiento (15-30 DAP) pero mejoró notablemente de las etapas medias a las tardías (45-90 DAP). Los hallazgos destacan la importancia de los datos adquiridos por UAV junto con enfoques de aprendizaje automático para la estimación no destructiva de flavanoles de nitrógeno, lo que puede contribuir enormemente a mejorar el monitoreo del crecimiento de los cultivos en tiempo real.