El amoníaco (NH) es un contaminante importante en las granjas avícolas, afectando negativamente la salud y el bienestar de las aves. Los altos niveles de NH pueden causar un bajo aumento de peso, una conversión de alimento ineficiente, una viabilidad reducida y pérdidas financieras en la industria avícola. Por lo tanto, la estimación precisa de la concentración de NH es crucial para la protección del medio ambiente y la salud humana y animal. Se utilizaron inicialmente tres algoritmos de aprendizaje automático (ML) ampliamente utilizados: máquina de aprendizaje extremo (ELM), vecino más cercano (KNN) y bosque aleatorio (RF) como algoritmos base. Luego se aplicó la transformada wavelet (WT) con diez niveles de descomposición como método de preprocesamiento. Se utilizaron tres métricas estadísticas, incluyendo el error absoluto medio y el coeficiente de correlación, para evaluar las precisiones predictivas de los algoritmos. Los resultados indican que los algoritmos RF funcionan de manera robusta tanto individualmente como en combinación con la WT. El algoritmo RF-WT tuvo el mejor rendimiento utilizando la temperatura del aire, la humedad relativa y la velocidad del aire como entradas, con un de 0.548 ppm y un de 0.976 para el conjunto de datos de prueba. En resumen, aplicar WT a las entradas mejoró significativamente el poder predictivo de los algoritmos ML, especialmente para entradas que inicialmente tenían una baja correlación con los valores de NH.