Los tigernuts son un cultivo de organismo no modificado genéticamente con alta adaptabilidad y valor económico, y se están promoviendo ampliamente para su cultivo en China. Este estudio propuso un nuevo método de estimación de rendimiento basado en una red neuronal convolucional ligera (CNN) llamada Squeeze Net para proporcionar pronósticos de producción precisos para los tubérculos de tigernut. Se utilizaron imágenes de vehículos aéreos no tripulados (UAV) multiespectrales para establecer conjuntos de datos fenotípicos de tigernuts, que comprenden índices de vegetación (VIs) e índices fenotípicos de plantas. Se construyó el modelo Squeeze Net con una estructura de CNN ligera para explorar completamente el poder explicativo de la información derivada de UAV espectral y comparar las diferencias entre los modelos paramétricos y no paramétricos aplicados en las predicciones de rendimiento de tigernuts. En comparación con la regresión lineal múltiple por pasos (SMLR), ambos algoritmos lograron un buen rendimiento en la predicción de rendimientos. Las mayores precisiones obtenidas reflejaron un valor R2 de 0.775 y un valor de error cuadrático medio (RMSE) de 688.356 kg/ha con SMLR, y R2 = 0.780 y RMSE = 716.625 kg/ha con Squeeze Net. Este estudio demostró que Squeeze Net puede procesar eficientemente imágenes multiespectrales de UAV y mejorar la resolución y precisión de los resultados de predicción de rendimiento. Nuestro estudio demostró el enorme potencial de los algoritmos de inteligencia artificial (IA) en la gestión precisa de cultivos de tigernuts en las áridas tierras arenosas del noroeste de China al explorar las interacciones entre varios rasgos fenotípicos intensivos y la productividad.