Se propone un modelo de predicción de contenido de nitrógeno en maíz hiperespectral, que integra un mecanismo de atención espectral-espaciotemporal dinámico con una red neuronal gráfica, con el objetivo de mejorar la precisión y estabilidad de la estimación de nitrógeno. A lo largo de múltiples experimentos, el método propuesto logró un rendimiento sobresaliente en el conjunto de pruebas, con un RMSE de 0.35 y un MAE de 0.48, superando significativamente a modelos comparativos como SVM, RF, ResNet y ViT. En experimentos realizados en diferentes etapas de crecimiento, se observó el mejor rendimiento durante la etapa de llenado de grano, donde alcanzó 0.96. En términos de precisión, recall y precisión, el modelo propuesto mostró una mejora promedio superior al 15%, demostrando una fuerte adaptabilidad a la variación temporal y generalización en condiciones espaciales. Estos resultados brindan un sólido respaldo técnico para la monitorización de nitrógeno a gran escala y no destructiva en aplicaciones agrícolas.