La predicción del rendimiento de la soja es una de las actividades más críticas para aumentar la productividad agrícola y garantizar la seguridad alimentaria. Los modelos tradicionales a menudo subestiman los rendimientos debido a limitaciones asociadas con fuentes de datos únicas y arquitecturas de modelos simplistas. Estos impiden capturar los factores complejos y multifacéticos que influyen en el crecimiento y rendimiento de los cultivos. En esta línea, este trabajo fusiona datos de múltiples fuentes, como imágenes de satélite, datos meteorológicos y propiedades del suelo, a través del enfoque de fusión multimodal utilizando Redes Neuronales Convolucionales y Redes Neuronales Recurrentes. Mientras que las imágenes de satélite proporcionan información sobre datos espaciales relacionados con la salud de los cultivos, los datos meteorológicos brindan información temporal, y las propiedades del suelo ofrecen información importante sobre la fertilidad. La fusión de estas fuentes de datos heterogéneas incorpora una comprensión general de los factores determinantes del rendimiento en el modelo, reduciendo el RMSE en un 15% y mejorando R en un 20% sobre los modelos de una sola fuente. Además, presentamos otras arquitecturas de modelos mejoradas: un UNet personalizado con mecanismos de atención, Redes Neuronales Gráficas Heterogéneas (HGNNs) y Auto-codificadores Variacionales. El mecanismo de atención permite una codificación de características espaciales más efectiva al centrarse en regiones críticas de la imagen, mientras que el HGNN captura patrones de interacción complejos entre diversos tipos de datos. Finalmente, los VAEs pueden generar una representación robusta de características. Estas arquitecturas de vanguardia podrían lograr una mejora del MAE del 12%, mientras que R para la predicción del rendimiento mejora en un 25%. En este documento, el estado del arte en la predicción del rendimiento ha avanzado debido al empleo de la fusión de datos de múltiples fuentes, una ingeniería de características sofisticada y arquitecturas avanzadas de redes neuronales. Esto proporciona un pronóstico más preciso y confiable del rendimiento de la soja. Por lo tanto, la fusión de Redes Neuronales Convolucionales con Redes Neuronales Recurrentes y Redes de Grafos mejora la eficiencia del proceso de detección.