Antecedentes: La aplicación de fertilizantes base es significativa para reducir los costos agrícolas, la contaminación de origen no puntual y aumentar la producción de cultivos. Sin embargo, los métodos de decisión de fertilización existentes requieren muchas observaciones de campo y tienen precios altos para su popularización y aplicación. Métodos: Este estudio propone un modelo innovador que integra el aprendizaje automático (ML) y algoritmos de búsqueda de inteligencia de enjambre para superar los problemas mencionados anteriormente. Basándose en datos históricos de cultivos de maíz, arroz y soja, se evaluaron algoritmos de ML que incluyen bosque aleatorio (RF), árbol extremadamente aleatorio (ERT) y aumento extremo del gradiente (XGBoost) para predecir el rendimiento de los cultivos. Junto con el algoritmo de búsqueda del cuco (CSA), se estableció el modelo de decisión de fertilización óptima (FDM) para descubrir la estrategia de fertilización óptima. Resultado: Para los tres cultivos, la precisión de simulación del rendimiento del modelo ERT fue la más alta, con un R y RRMSE de 0,749, 0,775 y 0,744, y 0,086, 0,051 y 0,078, respectivamente. Teniendo en cuenta los nutrientes del suelo y las características de fertilización como determinantes del rendimiento y optimizando las estrategias de fertilización, el modelo propuesto puede aumentar el rendimiento promedio de maíz, arroz y soja en el área de estudio en un 23,9%, 13,3% y 20,3%, respectivamente. Conclusiones: El modelo de acoplamiento de ERT y el CSA construido en este estudio puede utilizarse para la toma de decisiones inteligente y rápida de la aplicación de fertilizantes base para los cultivos considerados en el presente estudio.