El trigo es un cultivo alimentario importante en China. La calidad del trigo afecta al desarrollo de la economía agrícola. Sin embargo, el trigo de alta calidad producido en China no puede satisfacer la demanda, por lo que sería una dirección importante para la investigación desarrollar trigo de alta calidad. El contenido de proteína del grano (GPC) es un criterio importante para la calidad del trigo de invierno y su contenido afecta directamente la calidad del trigo. Estudiar la heterogeneidad espacial de las proteínas del grano de trigo es beneficioso para la predicción de la calidad del trigo, y desempeña un papel orientador en la identificación, clasificación y procesamiento de la calidad del trigo. Debido a la complejidad y variabilidad de la calidad del trigo, los métodos de evaluación convencionales tienen deficiencias como baja precisión y escasa aplicabilidad. Para predecir mejor el GPC, se utilizaron modelos de regresión ponderados geográficamente (GWR), regresión lineal múltiple, bosque aleatorio (RF), redes neuronales BP, máquina de vectores de soporte y algoritmos de memoria a largo y corto plazo para analizar los datos meteorológicos y los datos del suelo de la provincia de Jiangsu de marzo a mayo de 2019-2022. Se encontró que el GPC de trigo de invierno aumenta en un 0,17% con cada aumento de 0,1 grados en latitud norte a nivel de condado en Jiangsu. La comparación de la precisión de la predicción del coeficiente de determinación, el error de desviación media, el error cuadrático medio y el error absoluto medio al analizar múltiples algoritmos mostró que el modelo GWR fue el más preciso, seguido por el modelo RF. El coeficiente de regresión de la precipitación en abril mostró el menor rango de variación entre todos los factores, lo que indica que la precipitación en abril tuvo un efecto más estable en el GPC en el área de estudio que los otros factores meteorológicos. Por lo tanto, la consideración de la información espacial podría ser beneficiosa para predecir el GPC de trigo de invierno a nivel de condado. Los modelos GWR basados en factores meteorológicos y del suelo enriquecen los estudios sobre la predicción del GPC de trigo basados en datos ambientales. Podría aplicarse para predecir el GPC de trigo de invierno y mejorar la calidad del trigo para guiar mejor la producción y el procesamiento a gran escala.