Una predicción lo suficientemente temprana y precisa puede ayudar a dirigir los rendimientos de los cultivos de manera más consciente, lo que resulta en seguridad alimentaria, especialmente con una población mundial en expansión. Además, la predicción relacionada con la posibilidad de reducir la química agrícola es muy importante en una era de cambio climático. Este estudio analiza el rendimiento de la predicción de rendimiento de semillas de guisante (L.) mediante un modelo lineal (MLR) y no lineal (ANN). El estudio utilizó datos meteorológicos, agronómicos y fitofísicos de 2016 a 2020. El modelo neuronal (N2) generó predicciones altamente precisas del rendimiento de semillas de guisante: el coeficiente de correlación fue de 0.936, y los errores RMS y MAPE fueron de 0.443 y 7.976, respectivamente. El modelo superó significativamente al modelo de regresión lineal múltiple (RS2), que tuvo un error RMS de 6.401 y un error MAPE de 148.585. El análisis de sensibilidad realizado para la red neuronal mostró que las características con mayor influencia en el rendimiento de las semillas de guisante fueron la fecha de inicio de la madurez, la fecha de la cosecha, la cantidad total de lluvia y la temperatura media del aire.