La estimación de rendimiento utilizando datos de teledetección es una prioridad de investigación en la agricultura moderna. La estimación rápida y precisa de los rendimientos de trigo de invierno en áreas extensas es un requisito importante para la formulación e implementación de políticas de seguridad alimentaria. En la mayoría de los procesos de estimación de rendimiento a nivel de condado, se utilizan múltiples datos de entrada para la predicción de rendimiento tanto como sea posible, sin embargo, en algunas regiones, los datos son más difíciles de obtener, por lo que utilizamos el índice de área foliar (LAI) como datos de entrada para el modelo de predicción de rendimiento. En este estudio, se analizaron los efectos de diferentes pasos de tiempo, así como la serie temporal de LAI en los resultados de estimación para las propiedades de memoria a corto y largo plazo (LSTM), y se compararon múltiples métodos de aprendizaje automático con modelos de estimación de rendimiento construidos por las redes LSTM. Los resultados muestran que la precisión de los resultados de estimación de rendimiento utilizando LSTM no mostró una tendencia creciente con el aumento del tamaño del paso y el volumen de datos, mientras que los resultados de estimación de rendimiento de LSTM fueron generalmente mejores que los de los métodos convencionales de aprendizaje automático, con los mejores resultados de R y RMSE de 0.87 y 522.3 kg/ha, respectivamente, en la comparación entre los rendimientos predichos y reales. Aunque el uso de LAI como un único factor de entrada puede causar incertidumbre en los rendimientos en algunos años extremos, es un método confiable y prometedor para mejorar la estimación de rendimiento, lo que tiene importantes implicaciones para la predicción de rendimientos de cultivos, monitoreo de desastres agrícolas, política comercial de alimentos y alerta temprana de seguridad alimentaria.