Este estudio tuvo como objetivo establecer un modelo predictivo de la explosión del arroz basado en el aprendizaje automático (ML) para disminuir las pérdidas apreciables basadas en datos ambientales a corto plazo. La temperatura del aire promedio, más alta y más baja, la humedad relativa promedio, la temperatura del suelo y la energía solar fueron seleccionadas para el desarrollo del modelo. El perceptrón multicapa desarrollado (MLP), la máquina de soporte vectorial (SVM), la red neuronal recurrente de Elman (Elman RNN) y la red neuronal probabilística (PNN) fueron evaluados mediante medidas F. Finalmente, se realizó un análisis de sensibilidad (SA) para la evaluación de la importancia de los factores. El resultado del estudio muestra que la PNN tuvo el mejor rendimiento con la medida F ( = 2) del 96.8%. El SA se llevó a cabo en el modelo PNN, lo que resultó en que el período de efecto principal es de 10 días antes de que ocurriera la explosión del arroz. Los factores clave encontrados son la temperatura mínima del aire, seguida por la energía solar y una sensibilidad igual de la humedad relativa promedio, la temperatura máxima del aire y la temperatura del suelo. El desfase de fase de temperatura en el aire y el suelo puede causar un punto de rocío más bajo y ser adecuado para el crecimiento de los patógenos de la explosión del arroz. A través de los resultados de este estudio, las advertencias de explosión del arroz pueden emitirse con 10 días de anticipación, aumentando el tiempo de respuesta para que los agricultores preparen medidas preventivas relacionadas, reduciendo aún más las pérdidas causadas por la explosión del arroz.