A medida que avanzamos más profundamente en el siglo veintiuno, están surgiendo nuevos desafíos, así como oportunidades técnicas en la agricultura. Uno de estos problemas es la creciente necesidad de alimentos, que es crucial para apoyar las necesidades nutricionales de la población, promover el comercio regional y garantizar la seguridad alimentaria. El cambio climático es otro desafío constante en forma de patrones cambiantes de lluvia, temperaturas crecientes debido a altas concentraciones de CO, y la sobreurbanización que impacta negativamente en última instancia en el rendimiento de los cultivos. Por lo tanto, para aumentar la producción de alimentos y la sostenibilidad del crecimiento agrícola, una predicción precisa y oportuna del rendimiento de los cultivos podría ser beneficiosa. En este documento, se presentan métodos sostenibles basados en inteligencia artificial (IA) para la evaluación de la producción de trigo (W) utilizando técnicas de regresión lineal múltiple (MLR), máquina de vectores de soporte (SVM) y redes neuronales artificiales (ANN). Los datos históricos de alrededor de 60 años, que comprenden área de trigo (W), temperatura (T), lluvia (RF), emisiones de dióxido de carbono de fusión líquida y gaseosa CE (CE CE), tierra arable (AL), desembolso de crédito (CD) y consumo de fertilizantes (FO) se utilizaron como indicadores/párametros de entrada potenciales para predecir la producción de trigo (W). Para apoyar aún más la eficiencia del rendimiento de los modelos de predicción calculados, se utilizaron una variedad de pruebas estadísticas, como R-cuadrado (R), error cuadrático medio (RMSE) y error absoluto medio (MAE). Los resultados demuestran que se cumplen todos los estándares de aceptación relacionados con la precisión de los modelos propuestos. Sin embargo, la SVM supera a los enfoques de MLR y ANN. Además, se realizaron pruebas paramétricas y de sensibilidad para evaluar la influencia específica de los parámetros de entrada.