La soja es uno de los productos agrícolas más importantes en el mundo, por lo que es crucial para la seguridad alimentaria global. Sin embargo, los modelos de cultivo basados en procesos ampliamente utilizados, como el modelo GEPIC (Geographic Information System-based Environmental Policy Integrated Climate), tienden a subestimar los impactos de eventos climáticos extremos en la soja, lo que genera grandes incertidumbres. Este estudio propuso un enfoque de modelos híbridos para reducir dichas incertidumbres al acoplar el modelo GEPIC e indicadores climáticos extremos utilizando aprendizaje automático. Posteriormente, se exploraron los principales indicadores climáticos extremos para el mundo y los principales países productores de soja, y se analizaron los cambios y la variabilidad futura en el rendimiento de la soja utilizando el modelo híbrido propuesto. Los resultados muestran que el modelo acoplado GEPIC y Random Forest (GEPIC+RF) (R: 0.812, RMSD: 0.716 t/ha y rRMSD: 36.62%) eliminó significativamente las incertidumbres y subestimaciones de los extremos climáticos del modelo GEPIC (R: 0.138, RMSD: 1.401 t/ha y rRMSD: 71.57%) en comparación con los otros cinco modelos híbridos (R: 0.365-0.612, RMSD: 0.928-1.021 y rRMSD: 47.48-52.24%) durante el período histórico. Para el rendimiento de la soja a nivel mundial y en países como Brasil y Argentina, los índices relacionados con bajas temperaturas son los principales factores restrictivos, mientras que la sequía es el factor limitante en EE. UU. y China, y el desastre combinado sequía-calor en India. El modelo GEPIC sobreestimaría los rendimientos de soja en un 13.40-27.23%. El modelo GEPIC+RF redujo la incertidumbre en un 28.45-41.83% para el período de 2040-2099. Nuestros resultados implican que los eventos climáticos extremos posiblemente causarán más pérdidas en la soja en el futuro de lo que hemos esperado, lo que ayudaría a los responsables de políticas a prepararse para los riesgos agrícolas futuros y la seguridad alimentaria ante el cambio climático.