Un pronóstico sólido de los rendimientos de arroz es de gran importancia para la planificación y toma de decisiones a mediano y largo plazo en la producción de cereales, desde el nivel regional hasta el nacional. La incorporación de efectos adyacentes espacialmente correlacionados en modelos de pronóstico en general resulta en una predicción precisa. El Modelo de Promedios Móviles Autorregresivos Espacio-Temporales (STARMA) es la clase de modelo más popular en la modelización lineal de series temporales espacio-temporales. Sin embargo, STARMA no puede procesar relaciones espacio-temporales no lineales en los conjuntos de datos. Como alternativa, la Red Neuronal de Retraso en el Tiempo (TDNN) es un algoritmo de aprendizaje automático muy popular para modelar el patrón no lineal en los datos. Para superar estas limitaciones, se desarrolló un enfoque STARMA de dos etapas para predecir el rendimiento de arroz en algunos de los agroecosistemas de arroz nacionales más intensivos en la India. El valor de Errores Porcentuales Absolutos Medios del enfoque STARMA-II propuesto es menor en comparación con el Modelo de Promedios Móviles Autorregresivos (ARIMA) y el modelo STARMA en todos los distritos examinados, mientras que la prueba de Diebold-Mariano confirmó que el modelo STARMA-II es significativamente diferente de los enfoques clásicos. El enfoque STARMA-II propuesto es una alternativa prometedora a los modelos clásicos lineales y no lineales de series temporales espacio-temporales para estimar patrones mixtos lineales y no lineales y puede ser una herramienta avanzada para la planificación y gestión sostenible a mediano y largo plazo de los rendimientos y patrones de cultivos en agroecosistemas, es decir, el suministro y la demanda de alimentos desde niveles locales hasta regionales.