Entrenamos y comparamos el rendimiento de dos algoritmos de aprendizaje automático diferentes para aprender cambios en la producción de trigo de invierno para campos del suroeste de Suecia. Como entrada a estos algoritmos, utilizamos datos de radar de polarimetría Sentinel-1 que penetran las nubes junto con la topografía del campo respectivo y el clima local durante cuatro años diferentes. Notamos que todos los datos de entrada estaban disponibles de forma gratuita. Durante el entrenamiento, utilizamos información sobre la producción de trigo de invierno en los campos de interés que estaba disponible gracias a los agricultores participantes. Los dos modelos de aprendizaje automático que entrenamos son la Máquina de Refuerzo de Gradiente Ligero y una Red Neuronal de Alimentación Directa. Nuestros resultados muestran que los datos de Sentinel-1 contienen información valiosa que se puede utilizar para entrenar y predecir el rendimiento del trigo de invierno una vez que se toman dos pasos importantes: realizar una transformación crítica de cada píxel en las imágenes para alinearla con los datos de entrenamiento y luego seguir con un tratamiento de despeckling. Utilizando este enfoque, pudimos lograr un error cuadrático medio raíz superior de 0.75 toneladas por hectárea y una precisión superior del 86% utilizando un método k-fold con . Más importante aún, establecimos que los datos de Sentinel-1 por sí solos son suficientes para predecir el rendimiento con un error cuadrático medio raíz promedio de 0.89 toneladas por hectárea, lo que hace que este método sea factible de emplear en todo el mundo.