Para entender si se podrían emplear algoritmos de aprendizaje automático en paisajes agrícolas para estimar las emisiones de NO, se probaron algoritmos de regresión lineal múltiple (MLR), regresión de bosque aleatorio (RFR), regresión de vectores de soporte (SVR) y redes neuronales artificiales (ANN) en un sitio agrícola en Ontario, Canadá. Se utilizaron dos escenarios, Alto Insumo (HI) y Bajo Insumo (LI), para verificar el rendimiento de estos algoritmos utilizando R, RMSE, VE, factor p, factor r e indicadores de inspección visual. El HI consistió en mediciones discretas de NO, lluvia, temperatura, fechas de aplicación de fertilizantes, contenido de nitrato y amonio en el suelo y valores de pH, mientras que el escenario LI no utilizó los últimos tres. Los resultados indicaron que MLR era inaplicable ya que los datos no satisfacían sus supuestos fundamentales. RFR, SVR y ANN bajo HI pudieron capturar el 64% (66%), 59% (63%) y 94% (43%) de la variabilidad de las emisiones dentro de los conjuntos de datos de entrenamiento (prueba). Posteriormente, estos modelos pudieron capturar el 92%, 29% y 75% de las altas emisiones (>10 gm/ha/día) dentro de sus intervalos predictivos del 95% de confianza. RFR, SVR y ANN bajo el escenario LI capturaron el 72% (68%), 61% (66%) y 81% (68%) de la variabilidad en las emisiones de NO dentro de los conjuntos de datos de entrenamiento (prueba). Si bien se encontró que estos modelos tenían un rendimiento comparable en ambos escenarios HI y LI, se descubrió que HI era mejor para capturar altas emisiones. Basado en el costo computacional, la facilidad en el ajuste fino, la captura de emisiones máximas y el rendimiento estable del modelo, se recomienda RFR y ANN para estimar las emisiones de NO en el área de estudio y en paisajes agrícolas similares en estudios futuros.