Una de las áreas de investigación cruciales en los procesos de toma de decisiones agrícolas es la predicción del rendimiento de los cultivos. Este estudio aprovecha las ventajas de los modelos híbridos para abordar la compleja interacción de factores genéticos, ambientales y de gestión para lograr pronósticos más precisos del rendimiento de los cultivos. Por lo tanto, este estudio utilizó los datos del entorno de crecimiento del trigo, la gestión de cultivos y el rendimiento histórico en campos experimentales en el Distrito de Anding, Ciudad de Dingxi, Provincia de Gansu, desde 1984 hasta 2021 para construir ocho modelos de aprendizaje automático y modelos de conjunto. Además, se empleó el Agricultural Production Systems sIMulator (APSIM), aprendizaje automático (ML) y APSIM combinado con aprendizaje automático (APSIM-ML) para predecir los rendimientos de trigo en 2012, 2016 y 2021. Los resultados muestran que el modelo de predicción de conjunto ponderado APSIM-ML, optimizado para minimizar el MSE, fue el mejor. En comparación con los modelos ML y APSIM optimizados, las mejoras promedio en el RMSE, RRMSE y MBE para los años de prueba fueron de 43,54 kg/ha, 3,55% y 15,54 kg/ha, y 93,96 kg/ha, 7,55% y 104,21 kg/ha, respectivamente. Al mismo tiempo, encontramos que el flujo dinámico de agua y nitrógeno entre el suelo y los cultivos tuvo el mayor impacto en la predicción del rendimiento de trigo. Este estudio mejoró la precisión de la predicción del rendimiento de trigo de secano en la Provincia de Gansu y proporciona apoyo técnico para la producción inteligente de trigo de secano en la zona de colinas de loess.