Los métodos de predicción a escala de campo que utilizan sensores remotos son significativos en muchos proyectos globales; sin embargo, los métodos existentes tienen varias limitaciones. En particular, las características de los sistemas de pequeños productores plantean un desafío único en el desarrollo de métodos de predicción confiables. Por lo tanto, en este estudio, se desarrolla un nuevo enfoque rápido y reproducible para la predicción de trigo mediante la combinación de predictores derivados de sensores ópticos (Sentinel-2) y de radar (Sentinel-1) utilizando un conjunto diverso de métodos de aprendizaje automático y aprendizaje profundo en un dominio de conjunto de datos pequeño. Este estudio tiene lugar en la región productora de trigo de Etiopía y evalúa cuarenta y dos predictores que representan las principales categorías de índices de vegetación de verde, agua, clorofila, biomasa seca e índices de polarización VH SAR. El estudio también aplica datos agronómicos recolectados en campo de 165 campos agrícolas para entrenamiento y validación. Según los resultados, en comparación con otros métodos, un enfoque combinado de aprendizaje automático automatizado (AutoML) con un modelo lineal generalizado (GLM) mostró un rendimiento superior. AutoML, que reduce el tiempo de entrenamiento, entregó diez parámetros influyentes. Para el enfoque combinado, el RMSE medio de rendimiento de trigo fue de 0.84 a 0.98 ton/ha utilizando diez predictores del conjunto de datos de prueba, logrando un intervalo de confianza del 99%. También mostró un coeficiente de correlación tan alto como 0.69 entre el rendimiento estimado y el rendimiento medido, y fue menos sensible a los pequeños conjuntos de datos utilizados para el entrenamiento y la validación del modelo. Una red neuronal profunda con tres capas ocultas utilizando los diez parámetros influyentes fue el segundo modelo. Para este modelo, el RMSE medio del rendimiento de trigo fue entre 1.31 y 1.36 ton/ha en el conjunto de datos de prueba, logrando un intervalo de confianza del 99%. Este modelo utilizó 55 neuronas con valores respectivos de 0.1, 0.5 y 1 x 10 para la proporción de deserción oculta, la proporción de deserción de entrada y la regularización l2. Los enfoques implementados en este estudio son rápidos y reproducibles y beneficiosos para predecir el rendimiento a escala. Estos enfoques podrían adaptarse para predecir los rendimientos de grano de otros cultivos de cereales cultivados en sistemas de pequeños productores en sistemas de producción globales similares.