La seguridad alimentaria global enfrenta amenazas crecientes debido a la variabilidad climática y las limitaciones de recursos. La predicción precisa de los rendimientos de los cultivos es esencial; sin embargo, los métodos existentes a menudo pasan por alto las complejas dependencias espaciales impulsadas por las teleconexiones climáticas, como el ENSO, y carecen de una cuantificación rigurosa de la incertidumbre. Este documento presenta HSE-GNN-CP, un nuevo marco que integra conjuntos apilados heterogéneos, redes neuronales gráficas (GNN) y predicción conformal (CP). Se ingenian características específicas del dominio, incluyendo días de grado de crecimiento y puntajes de idoneidad climática, y se modelan explícitamente patrones espaciales a través de gráficos de correlación de lluvia. El conjunto combina aprendices de bosque aleatorio y de aumento de gradiente con agregación bootstrap, mientras que las GNN codifican dependencias climáticas interregionales. La regresión cuantílica conformalizada asegura intervalos de predicción estadísticamente válidos. Evaluado en un conjunto de datos global que abarca 15 países y seis cultivos principales desde 1990 hasta 2023, el marco logra un R2 de 0.9594 y un RMSE de 4882 hg/ha. Crucialmente, entrega intervalos de predicción calibrados del 80% con una cobertura empírica del 80.72%, superando significativamente las líneas base no calibradas que tienen un 40.03%. El análisis SHAP identifica el tipo de cultivo y la lluvia como predictores dominantes, mientras que el clasificador de sequía integrado logra una precisión perfecta. Estas contribuciones avanzan la IA agrícola al fusionar un aprendizaje de conjunto robusto con un modelado explícito de teleconexiones y una cuantificación de incertidumbre confiable.