La predicción fiable del rendimiento de maíz para los Estados Unidos de América es esencial para la gestión efectiva de alimentos y energía a nivel mundial. Tres variables derivadas de satélites fueron seleccionadas, a saber, índice de vegetación mejorado (EVI), índice de área foliar (LAI) y temperatura de la superficie terrestre (LST). Se utilizó el operador de contracción absoluta mínima y selección (LASSO) para la regresión, mientras que se seleccionaron los métodos de bosque aleatorio (RF), regresión de vectores de soporte (SVR) y memoria a largo plazo (LSTM) para el aprendizaje automático. Las tres variables sirven como entradas a estos métodos, y su eficacia en la predicción del rendimiento de maíz fue evaluada en relación con la evapotranspiración (ET). Los resultados confirmaron que se puede lograr un alto nivel de rendimiento para la predicción del rendimiento (R predicho medio = 0.63) al combinar EVI + LAI + LST con los cuatro métodos. Entre ellos, los mejores resultados se obtuvieron utilizando LSTM (R predicho medio = 0.67). EVI y LST proporcionaron información adicional y única en las etapas de crecimiento pico y temprano para el rendimiento de maíz, respectivamente, y la utilidad de incluir LAI no fue fácilmente aparente en toda la temporada, lo que fue consistente con las condiciones de crecimiento en el campo que afectan la ET del maíz. Los datos derivados de satélites y los métodos utilizados en este estudio podrían ser utilizados para predecir los rendimientos de otros cultivos en diferentes regiones.