En este documento, presentamos un modelo de alta precisión para la predicción del rendimiento de arándanos, entrenado utilizando conjuntos de datos estructuralmente innovadores. Los arándanos son plantas en flor, valoradas por sus propiedades antioxidantes y antiinflamatorias. El rendimiento en las plantaciones depende de varios factores, tanto internos como externos. Predecir la cantidad exacta de la cosecha es un aspecto importante en la planificación del trabajo y la selección del espacio de almacenamiento. Los algoritmos de aprendizaje automático se utilizan comúnmente en este tipo de tareas de predicción, ya que son capaces de encontrar correlaciones entre varios factores en juego. En general, los datos se recopilaron de los años 2016-2021 e incluyeron datos agronómicos, climáticos y del suelo, así como datos de vegetación por satélite. Además, se tuvieron en cuenta los periodos de crecimiento según la escala BBCH y los agregados. Después de un extenso preprocesamiento de datos y la obtención de características acumulativas, se entrenaron y evaluaron un total de 11 modelos. Los clasificadores elegidos se seleccionaron de métodos de vanguardia en aplicaciones similares. Para evaluar los resultados, se eligió el Error Porcentual Absoluto Medio. Es superior a las alternativas, ya que tiene en cuenta los valores absolutos, anulando el riesgo de que variables opuestas se cancelen mutuamente, mientras que el resultado final destaca la diferencia porcentual entre el valor real y la predicción. Con respecto a la investigación presentada, la solución que mejor funcionó resultó ser el algoritmo Extreme Gradient Boosting, con un valor de MAPE igual a 12.48%. Este resultado cumple con los requisitos de las aplicaciones prácticas, con la precisión suficiente para mejorar el proceso general de gestión del rendimiento. Debido a la naturaleza de la metodología de aprendizaje automático, la solución presentada puede mejorarse aún más con datos recopilados anualmente.