Para resolver el problema de que los métodos de predicción de rendimiento existentes no capturan completamente la interacción entre múltiples factores, proponemos un marco de predicción de rendimiento de trigo de invierno con triple atención cruzada para la fusión de datos de múltiples fuentes. Este marco consta de tres módulos: un módulo de procesamiento de datos de múltiples fuentes, un módulo de fusión de características de múltiples fuentes y un módulo de predicción de rendimiento. El módulo de procesamiento de datos de múltiples fuentes recopila datos satelitales, climáticos y de suelo basados en el rango de siembra de trigo de invierno, y construye un conjunto de secuencias de características de múltiples fuentes combinando datos estadísticos. El módulo de fusión de características de múltiples fuentes primero extrae información de características de nivel más profundo basada en las características de diferentes datos, y luego realiza la fusión de características de múltiples fuentes a través de un mecanismo de fusión de triple atención cruzada. La parte del codificador en el módulo de predicción de producción añade un mecanismo de atención gráfica, formando una doble rama con el mecanismo original de auto-atención de múltiples cabezas para asegurar la captura de dependencias globales mientras se mejora la preservación de la información de características locales. La sección del decodificador genera la salida final predicha. Los resultados muestran que: (1) Usando 2021 y 2022 como conjuntos de prueba, el error absoluto medio de nuestro método es de 385.99 kg/hm, y el error cuadrático medio es de 501.94 kg/hm, que es inferior al de otros métodos. (2) Se puede concluir que la etapa de unión y espigado (de marzo a abril) es el período más crucial que afecta la producción de trigo de invierno. (3) Es evidente que nuestro modelo tiene la capacidad de predecir el rendimiento final de trigo de invierno casi un mes antes.