La precisión oportuna y exacta de la predicción de los rendimientos de trigo de invierno, crucial para optimizar la gestión de la producción, mantener el equilibrio entre la oferta y la demanda, y garantizar la seguridad alimentaria, depende de las interacciones entre numerosos factores, como el clima, las características de la superficie y la calidad del suelo. A pesar de la amplia aplicación de modelos de aprendizaje profundo en este campo, pocos estudios han analizado el efecto de las características geoespaciales a gran escala de regiones vecinas en los rendimientos de los cultivos. Por lo tanto, presentamos un modelo de Red Neuronal Gráfica espacio-temporal basado en atención (ASTGNN) acoplado con características geoespaciales y datos de múltiples fuentes para mejorar la precisión de la estimación de los rendimientos de trigo de invierno. Los conjuntos de datos utilizados en este estudio incluyeron múltiples tipos de datos de teledetección, meteorológicos, de suelo, de rendimiento de cultivos y de área de siembra para Anhui, China, de 2005 a 2020. Los resultados mostraron que los datos de múltiples fuentes condujeron a un mayor rendimiento de predicción que los datos de una sola fuente, y permitieron una predicción precisa de los rendimientos de trigo de invierno tres meses antes de la cosecha. Además, el modelo ASTGNN proporcionó un mejor rendimiento de predicción que dos modelos tradicionales de predicción de rendimiento de cultivos (R = 0.70, RMSE = 0.21 t/ha, MAE = 0.17 t/ha). Por lo tanto, ASTGNN mejora la precisión de la predicción de rendimientos de cultivos al incorporar características geoespaciales. Esta investigación tiene implicaciones para mejorar la gestión de la producción agrícola, promover el desarrollo de la agricultura digital y abordar el cambio climático en la agricultura.