El rendimiento del arroz no solo está influenciado por factores de variedades y manejo, sino también por factores ambientales. En este estudio, se recopilaron datos de rasgos agronómicos del arroz y datos climáticos en el este de China, y se predijeron los rendimientos de arroz utilizando una variedad de algoritmos, incluida la herramienta no lineal de redes neuronales de retropropagación hacia adelante (FFBN) y el modelo lineal de regresión de mínimos cuadrados parciales (PLSR). Los resultados mostraron que tanto los rasgos agronómicos como los datos climáticos estaban significativamente relacionados con el rendimiento del arroz. El modelo PLSR mostró que se producían covariables entre los parámetros, y se debían considerar modificaciones para el modelado basado en datos climáticos. El modelo FFBN demostró un mejor rendimiento de predicción que el de PLSR, en el que el coeficiente de relación (R) y el error cuadrático medio (RMSE) fueron de 0,611 frente a 0,374 y 0,578 frente a 0,865 ton/ha utilizando datos climáticos, respectivamente; y de 0,742 frente a 0,689 y 0,556 frente a 0,608 utilizando datos de rasgos agronómicos, respectivamente. Cuando se utilizaron datos fusionados, el R y el RMSE mejoraron a 0,843 frente a 0,746 y 0,440 frente a 0,549, respectivamente. La arquitectura óptima de la FFBN consistió en una capa oculta con 29 neuronas. Por lo tanto, el algoritmo FFBN es una opción efectiva para la predicción del rendimiento del arroz en sistemas complejos de producción de arroz.