La tecnología hiperespectral ha permitido un monitoreo rápido y eficiente del nitrógeno en los cultivos. Sin embargo, la mayoría de los enfoques implican el monitoreo directo del contenido de nitrógeno o de indicadores fisiológicos y bioquímicos directamente relacionados con el nitrógeno, que no pueden reflejar el estado nutricional general de la planta. Dos rasgos fotosintéticos importantes, la fracción de radiación fotosintéticamente activa absorbida (FAPAR) y la tasa fotosintética neta (Pn), han demostrado responder positivamente a los cambios en el nitrógeno. Aquí, se utilizaron Pn y FAPAR para un análisis de correlación con datos hiperespectrales para establecer una relación entre el estado del nitrógeno y las características hiperespectrales a través de rasgos fotosintéticos. Utilizando análisis de componentes principales y autocorrelación de bandas de la reflectancia espectral original, se obtuvieron dos posiciones de banda (350-450 y 600-750 nm) sensibles a los cambios en el nitrógeno. El rendimiento de cuatro modelos de algoritmos de aprendizaje automático basados en seis formas de transformaciones hiperespectrales mostró que el modelo de máquina de refuerzo de gradiente ligero (LightGBM) basado en la primera derivada hiperespectral podría invertir mejor el Pn de las hojas funcionales en algodón, y el modelo de bosque aleatorio (RF) basado en la primera derivada hiperespectral podría invertir mejor el FAPAR del dosel de algodón. Estos resultados proporcionan métricas avanzadas para el seguimiento no destructivo del estado del nitrógeno en el algodón, que se pueden utilizar para diagnosticar la nutrición de nitrógeno y el estado de crecimiento del algodón en grandes fincas.