Los modelos de cultivos son instrumentales para simular la utilización de recursos en la agricultura, sin embargo, su complejidad requiere una extensa calibración, lo que puede afectar la precisión de las predicciones de rendimiento. El aprendizaje automático muestra promesa para mejorar las estimaciones de rendimiento, pero depende de una gran cantidad de datos de entrenamiento. Este estudio tiene como objetivo mejorar la precisión de la predicción de rendimiento de pak choi de los modelos de simulación. Desarrollamos un modelo de aprendizaje de conjunto que integra tres modelos base: EU-Rotate_N, Regresión Forestal Aleatoria y Regresión de Vector de Soporte, con un Perceptrón Multicapa como meta-modelo para la predicción de rendimiento de materia seca de pak choi. Para mejorar el conjunto de datos de entrenamiento y reforzar el rendimiento del aprendizaje automático, empleamos el modelo EU-Rotate_N para simular los rendimientos diarios de materia seca para datos no muestreados. Los resultados de la prueba revelaron que el modelo de conjunto superó a cada modelo base. El modelo de conjunto logró un valor de R^2 de 0.834, que fue aproximadamente 0.1 más alto que el del modelo EU-Rotate_N. El RMSE y MAE fueron de 0.283 t/ha y 0.196 t/ha, respectivamente, ambos aproximadamente 0.6 t/ha más bajos que los del modelo EU-Rotate_N. El rendimiento del modelo de conjunto, desarrollado con el conjunto de datos ampliado, mostró una mejora significativa sobre el modelo basado en el conjunto de datos original.