Los algoritmos de aprendizaje automático se han aplicado en el campo de la agricultura para predecir la productividad de los cultivos. Los estudios anteriores se centraron principalmente en todo el período de crecimiento del cultivo, mientras que aún se desconocían las diferentes ventanas de tiempo en la predicción de rendimiento. El período completo de crecimiento se separó en cada mes para evaluar su capacidad predictiva correspondiente tomando la producción de maíz (ensilaje y grano) en la República Checa. Presentamos una evaluación exhaustiva de la predicción del rendimiento de maíz a nivel de condado en la República Checa utilizando un algoritmo de aprendizaje automático (máquina de aprendizaje extremo (ELM)) y un extenso conjunto de datos meteorológicos y rendimientos de maíz de 2002 a 2018. Los resultados muestran que la luz solar en junio y el déficit hídrico en julio fueron factores de gran influencia para el rendimiento de maíz de ensilaje. Los dos parámetros climáticos principales para el rendimiento de maíz de grano son la temperatura mínima en septiembre y el déficit hídrico en mayo. La desviación relativa absoluta promedio (AARD), el error cuadrático medio (RMSE) y el coeficiente (R2) de los modelos propuestos son del 6.565 al 32.148%, del 1.006 al 1.071%, y de 0.641 a 0.716, respectivamente. Según los resultados, el rendimiento de ensilaje disminuirá en 1.367 t/ha (pérdida del 3.826%), y el rendimiento de grano aumentará en 0.337 t/ha (aumento del 5.394%) cuando la temperatura máxima en mayo aumente en 2 grados Celsius. En conclusión, los modelos ELM muestran un gran potencial de aplicación para predecir el rendimiento de maíz.