Este estudio investiga un marco de aprendizaje profundo multimodal que integra imágenes multiespectrales de vehículos aéreos no tripulados (UAV) con datos meteorológicos para predecir el rendimiento del algodón. El estudio analiza el impacto de diferentes arquitecturas de redes neuronales, incluida la capa de extracción de características CNN, la profundidad de la capa completamente conectada y el método de integración de datos meteorológicos, en el rendimiento del modelo. Los resultados experimentales muestran que el modelo que combina imágenes multiespectrales de UAV con datos meteorológicos semanales logró una precisión óptima en la predicción del rendimiento (RMSE = 0.27 t/ha; R = 0.61). Específicamente, los modelos basados en AlexNet (Modelo 9) y CNN2conv (Modelo 18) exhibieron una precisión superior. Los resultados del ANOVA revelaron que capas completamente conectadas más profundas redujeron significativamente el RMSE, mientras que las variaciones en la complejidad arquitectónica de CNN no tuvieron un efecto estadísticamente significativo. Además, aunque los modelos mostraron una precisión de predicción comparable (RMSE: 0.27-0.33 t/ha; R: 0.61-0.69 en conjuntos de datos de prueba), sus distribuciones espaciales de predicción de rendimiento variaron significativamente (por ejemplo, el Modelo 9 predijo un rendimiento promedio de 3.88 t/ha con un rango de 2.51-4.89 t/ha, frente al Modelo 18 con 3.74 t/ha y 2.33-4.76 t/ha), lo que sugiere la necesidad de una evaluación adicional de la estabilidad espacial. Este estudio subraya el potencial de los modelos de aprendizaje profundo que integran datos de UAV y meteorológicos para la agricultura de precisión, ofreciendo información valiosa para optimizar estrategias de integración de datos espacio-temporales en futuras investigaciones.