Una gran cantidad de datos sobre varios rasgos se acumula a lo largo de un programa de mejoramiento y se puede utilizar para optimizar varios aspectos de la cadena de mejora de cultivos. Aprovechamos datos de ensayos de rendimiento avanzados (AYT) de tres clases de guisantes (guisantes verdes, amarillos y de invierno) recopilados durante diez años (2012-2021) para analizar y probar aspectos clave fundamentales para la cría de guisantes. Se utilizaron seis conjuntos de datos equilibrados para probar el éxito predictivo de los modelos de la familia BLUP y AMMI. La evaluación predictiva utilizando validación cruzada indicó que BLUP ofrecía una mejor precisión predictiva en comparación con cualquier modelo de la familia AMMI. Sin embargo, BLUP puede no identificar siempre el mejor genotipo que se desempeña bien en diferentes entornos. AMMI y GGE, dos herramientas estadísticas utilizadas para explotar la interacción genotipo-ambiente (GE), podrían llenar este vacío y ayudar a comprender cómo se desempeñan los genotipos en diferentes entornos. Se demostró que el rendimiento de AMMI por IPCA1 ambiental, WAASB por parcela de rendimiento y el biplot de GGE eran útiles para identificar genotipos con adaptabilidad específica o amplia. En comparación con el entorno más favorable, observamos una reducción del rendimiento del 80-87% en el entorno menos favorable. La variabilidad del rendimiento de semillas en diferentes entornos fue causada en parte por la variabilidad climática. Las condiciones más cálidas en junio y julio, así como la baja precipitación en mayo y junio, afectaron negativamente el rendimiento de semillas. En conclusión, los hallazgos de este estudio son útiles para los criadores en el proceso de selección de variedades y para los cultivadores en la producción de guisantes.