Este estudio se centra en el problema de la predicción del rendimiento del maíz, y se propone un nuevo modelo de predicción basado en un algoritmo de regresión de ensamblaje dinámico. El modelo tiene como objetivo lograr una predicción más precisa del rendimiento del maíz basada en la exploración en profundidad de las posibles correlaciones en datos multifuente y multidimensionales. Los datos sobre las condiciones meteorológicas, el grado de mecanización y el rendimiento del maíz en la ciudad de Qiqihar, provincia de Heilongjiang, desde 1995 hasta 2022, son utilizados. Las características importantes son determinadas y extraídas de manera efectiva utilizando análisis de componentes principales y métodos de evaluación de contribución de indicadores. Basado en la combinación de un mecanismo de parada temprana y optimización de búsqueda de cuadrícula de parámetros, el rendimiento de ocho modelos base, incluido un modelo de aprendizaje profundo, es ajustado. Basado en la teoría del aprendizaje de ensamblaje heterogéneo, se establece un umbral para apilar los modelos de alto rendimiento, logrando un mecanismo de ensamblaje dinámico y empleando métodos de promediado y ponderación optimizada para la predicción. Los resultados demuestran que la precisión de predicción del propuesto modelo de regresión de ensamblaje dinámico es significativamente mejor en comparación con los modelos base individuales, con el error cuadrático medio (MSE) siendo tan bajo como 0.006, el error cuadrático medio raíz (RMSE) siendo 0.077, el error absoluto medio (MAE) siendo 0.061, y un alto valor de coeficiente de determinación de 0.88. Estos hallazgos no solo validan la efectividad del enfoque propuesto en el campo de la predicción del rendimiento del maíz, sino que también resaltan el papel positivo de la fusión de datos multifuente en mejorar el rendimiento de los modelos de predicción.