Para investigar los cambios en el rendimiento del trigo de invierno y los factores que lo influyen, se utilizaron cinco factores meteorológicos, como la lluvia y la humedad del suelo, recopilados en el área experimental entre 2010 y 2022 como características distintivas. Se desarrolló un modelo combinado de GNN (Red Neuronal de Grafos), basado en la transformada de Fourier y el algoritmo de Bosques Aleatorios para predecir el rendimiento del trigo de invierno. Se realizó una multiplicación de matrices en el espacio de Fourier para predecir el rendimiento, mientras que el algoritmo de Bosques Aleatorios se empleó para cuantificar la contribución de varios factores de rendimiento al rendimiento del trigo de invierno. El modelo combinado capturó de manera efectiva las dependencias dinámicas entre los factores de rendimiento y las series temporales, mejorando la precisión predictiva en un 5.00%, 10.00% y 27.00%, y reduciendo el error cuadrático medio en un 26.26%, 29.31% y 88.20%, respectivamente, en comparación con los modelos StemGNN, Informer y Random Forest. Las salidas predichas oscilaron entre 520 y 720 g/m, con un error promedio del 2.69% en comparación con las salidas de medida reales. Bajo el modo de riego en tiempo real insuficiente, el rendimiento del trigo de invierno fue mayor en el límite superior de riego del 90% y el límite inferior de riego del 70%, con un nivel de fertilización medio (850 mg/kg). El rendimiento mostró una tendencia general a la disminución a medida que disminuyeron tanto los límites de riego como la aplicación de fertilizantes. La lluvia y la humedad del suelo fueron los factores más significativos que influyeron en el rendimiento del trigo de invierno, seguidos por la temperatura del aire y la evapotranspiración. La radiación solar y la duración de la luz solar tuvieron el menor impacto. Los resultados de este estudio proporcionan una referencia valiosa para predecir con precisión el rendimiento del trigo de invierno.